--- created: 2026-06-16 updated: 2026-06-16 sources: [other/2026-06-16_openclaw-releases-v2026.6.8.md] tags: [architecture, memory, knowledge-base] --- # Memory System Architecture > Migriert aus ByteRover context-tree (April 2026) ## Schichten-Modell (4 Layer) | Layer | Name | Status | |-------|------|--------| | **S1** | Flat-File (MEMORY.md + `memory/*.md`) mit Tags | ✅ Aktiv | | **S1.5** | KNOWLEDGE.md — kuratierte Langzeit-Memos | ⚠️ Geplant, nie implementiert | | **S2** | OpenClaw built-in Memory (Voyage voyage-3-lite) | ✅ Aktiv | | **S3** | LanceDB Vector Store | ❌ Entfernt (2026-04-06) | ### Tag-System (S1) Vier Tags strukturieren die Flat-File-Erinnerungen: - `[PREF]` — Präferenzen (z.B. Prefer functional over OOP) - `[FACT]` — Fakten (z.B. We use PostgreSQL 15) - `[DECISION]` — Architekturentscheidungen (z.B. Chose ByteRover over LanceDB) - `[ENTITY]` — Personen/Systeme (z.B. Hector is the bot identity) ## Evolution 1. **Phase 1:** Flat-Files mit Tags — funktional bis heute 2. **Phase 1.5:** KNOWLEDGE.md geplant, nie gebaut 3. **LanceDB-Versuch:** 3 Container-Resets → Datenverlust → entfernt 4. **ByteRover (brv):** Semantic Layer mit Voyage Embeddings → Query funktioniert, Curate blockiert durch OAuth-Token-Verlust bei Container-Reset Siehe auch: `decisions/2026-04-volume-persistence.md` ## Update 2026-06-16: OpenClaw v2026.6.8 Memory + State Recoveries Mit [v2026.6.8](https://github.com/openclaw/openclaw/releases/tag/v2026.6.8) (und z.T. v2026.6.7) hat OpenClaw mehrere Memory-relevante Fixes geliefert, die unsere S2-Schicht direkt betreffen: ### QMD Memory Search: stabilisiert in transient mode **QMD** (Queryable Memory Database) ist die JSON-basierte In-Memory-Suchschicht innerhalb von OpenClaws S2. Vorher konnte QMD in **transient mode** (z.B. während eines Reindex) komplett ausfallen — der Indexer stoppte und Fallbacks schlugen ebenfalls fehl, was zu "Memory temporarily unavailable"-Fehlern führte. **Jetzt (v2026.6.7 + v2026.6.8):** QMD bleibt im transient mode **verfügbar**, Startup-Failures werden zusätzlich zu den Fallback-Errors reported, sodass die Fail-Recovery-Kette sichtbar wird. **Implikation für uns:** Weniger Memory-Outages während intensiver Subagent- Spawns. **Kein Action-Item**, nur Benefit. ### SQLite vermeidet WAL auf NFS State Volumes Wenn unser State-Volume ein NFS-Mount ist (was in containerisierten Setups häufig vorkommt), hat SQLite mit WAL-Mode (Write-Ahead Log) Performance- und Locking-Probleme. OpenClaw v2026.6.8 detektiert NFS-Volumes und **deaktiviert WAL automatisch** in diesem Fall. **Implikation für uns:** Unser `bot-hector`-Container läuft mit lokalem Volume (`/home/node/workspace`), kein NFS. **Kein Action-Item**, aber gut zu wissen für mögliche Cloud-Migrationen. ### Oversized OpenAI embedding batches: jetzt split vor 431s Vorher konnte ein Embedding-Request an OpenAI mit einem 431-Status ("Request Header Fields Too Large") fehlschlagen, wenn der Batch zu groß wurde. OpenClaw v2026.6.8 splittet solche Batches **automatisch vor dem Send** und rekonstruiert das Ergebnis. **Implikation für uns:** Wir nutzen S2 (Voyage Embeddings), nicht OpenAI Embeddings — daher kein direkter Impact. Falls wir jemals auf OpenAI- Embeddings umstellen, ist die Resilience eingebaut. ### Raw Memory Wiki source pages: explizit als Source Evidence **Wichtig für unser Wiki-Pattern:** OpenClaw behandelt **raw Memory Wiki source pages** (also Wiki-Pages, die als Quelle in anderen Wiki-Pages referenziert werden) jetzt explizit als **source evidence** und indexiert sie korrekt. Vorher wurden sie manchmal als "malformed" markiert und von der Suche ausgeschlossen. **Implikation für uns:** Genau das `raw/ → wiki/`-Pattern, das wir im RamaDama-Knowledge-Base praktizieren, ist damit nativ von OpenClaw unterstützt. Siehe [[concepts/llm/llm-knowledge-base.md]] für die konzeptionelle Grundlage. ### Stuck-Session Recovery: Warning-Backoff wird nicht mehr resettet Vorher konnte die Recovery-Scheduling-Warteschlange ihren Warning-Backoff bei jedem Recovery-Trigger zurücksetzen, was zu "thundering herd"-Problemen führte. Jetzt bleibt der Backoff erhalten, was die Recovery gleichmäßiger verteilt. **Implikation für uns:** Kein direkter Impact auf unseren Workflow, aber verbessert die Stabilität bei vielen parallelen Sessions. ### Full Memory Reindexes: Rollback/Cache Recovery preserved Bei einem vollen Memory-Reindex gehen jetzt die **Rollback-Punkte** und **Cache-Snapshots** nicht mehr verloren. Falls der Reindex mittendrin fehlschlägt, kann auf den letzten konsistenten Stand zurückgerollt werden ohne Datenverlust. **Implikation für uns:** Massiv relevant für den **WMT-003-Wiki-Lint-Workflow** — bei größeren Wiki-Cleanups (Stubs auflösen, Cross-Refs nachziehen) machen wir effektiv einen S2-Reindex. Mit v2026.6.8 ist dieser Prozess deutlich robuster. ## Verwandte externe Ressourcen - OpenClaw S2 (built-in Memory): siehe [OpenClaw Repository](https://github.com/openclaw/openclaw) und [Releases v2026.6.8](https://github.com/openclaw/openclaw/releases/tag/v2026.6.8) (S2-Konzept im Memory-Block dokumentiert) - QMD-Konzept: Queryable Memory Database (JSON-basiert, transient + persistent mode) - [Raw Memory Wiki source pages support in v2026.6.8](https://github.com/openclaw/openclaw/releases/tag/v2026.6.8) ## AGI-Realismus-Anwendung Aschenbrenners „Situational Awareness" (siehe `[[wiki/concepts/agi/aschenbrenner-situational-awareness]]`) prognostiziert AGI bis 2027 und Superintelligenz kurz danach — mit AI-Forschung als erstem automatisierten Berufsfeld. Implikation für unser Memory-System: - **Memory-Disziplin als Differenziator:** In einer Welt, in der AI-Systeme „human-equivalent" werden, ist die Qualität der Memory-Architektur (Schicht 1/2/3) der Unterschied zwischen Workhorse und System. Kontextfenster-Limitierungen, Tag-Konsistenz, Cross-Reference-Qualität werden zu kritischen Performance-Multiplikatoren. - **Wissens-Distillation vs. Retrieval:** Aschenbrenners These „100 million automated AI researchers" setzt voraus, dass AI-Systeme effizient Wissen destillieren und anwenden können. Unser Karpathy-Wiki-Pattern (`[[wiki/concepts/llm/llm-knowledge-base]]`) ist eine Antwort darauf: kuratierte, persistente Wiki-Pages statt RAG-Retrieval. - **Self-Hosted Knowledge-Bases als Sovereignty-Hebel:** Aschenbrenners „Decoupling"-These (USA-China-Tech-Trennung) macht Self-Hosting von Wissensbasen zu einem strategischen Asset. Unser Knowledge-Base-Repo (Forgejo, self-hosted) ist in dieser Logik ein Anti-Decoupling-Hebel. - **Praktische Konsequenz:** Die aktuelle Arbeit an `scripts/wiki-lint.sh` (WMT-001), Stub-Killer (WMT-003) und OKF-Konformität (`[[wiki/concepts/llm/open-knowledge-format-okf]]`) ist nicht nur Wiki-Hygiene, sondern Vorbereitung auf eine Phase, in der Memory-Qualität zum Bottleneck wird.