OpenClaw Belleği İçin Nihai Kılavuz

Her OpenClaw 'ıstakozunuz' hafızasını kaybettiğinde, sadece paranızı boşa harcamakla kalmaz; büyük baş ağrılarına da yol açar.

Yeniden başlatmaya bile cesaret edemezsiniz.

Ben, Jiu Er,

ajan hafızası üzerine 10'dan fazla makale inceledim,

toplam 77 bin yıldızı olan 6 açık kaynak GitHub projesini analiz ettim

ve OpenClaw hafıza sorunlarınızın her katmanını açıklamak için buradayım—

mevcut durumdan çözümlere, akademiden mühendisliğe kadar.

I. Acı Gerçek—Ajanınızın Hafızası Bir Japon Balığından Beter

Bir rakamla başlayalım: 45 saat.

GitHub Issue #5429'un muhabiri EmpireCreator, 45 saatlik birikmiş ajan bağlamını kaybetti: beceri yapılandırmaları, entegrasyon parametreleri ve görev öncelikleri. Bunun nedeni, uyarı veya kurtarma seçeneği olmadan tüm konuşma geçmişini temizleyen sessiz bir birleştirmeydi (compaction).

Bu izole bir vaka değil.

Issue #2624, ajanların rastgele sıfırlandığını ve sadece iki mesaj önceki konuşmaları unuttuğunu bildiriyor. Issue #8723, bir hafıza temizlemenin sonsuz döngüyü tetikleyerek ajanı 72 dakika boyunca kilitlediğini bildiriyor.

OpenClaw'un mevcut hafıza mimarisi nedir? Tek cümleyle: Markdown Dosyaları + Vektör Arama.

Anılar, ~/.openclaw/workspace/ dizini altındaki Markdown dosyalarında saklanır.

Günlük Kayıtlar (Daily Logs) kısa vadeli kayıtlardır,

MEMORY.md uzun vadeli hafızadır,

SOUL.md kişiliği tanımlar. Alım (retrieval), Vektör Gömmeleri (Vector Embeddings) + BM25 aramasının bir karışımını kullanır.

Bu tasarımın bir Medium blog yazarı tarafından doğru bir şekilde özetlenen bir özelliği var:

"Kasten havalı değil—hafızayı Markdown dosyaları ve alımı araç çağrıları olarak ele almak."

Sorun nerede? Altı kelime: Düz, Ayrımsız, Pasif.

Tüm anılar aynı ağırlığa sahiptir; bir yıl önceki bir sohbet, dünkü büyük bir kararla aynı şekilde ele alınır.

Unutma mekanizması? Yok, manuel olarak silmeniz gerekir.

Otomatik organizasyon? Tamamen manuel düzenlemeye dayanır.

Alım yalnızca anlamsal benzerliğe bakar, öneme değil ve "A, B'nin arkadaşıdır" gibi ilişkileri ifade edemez.

Veri veri olarak kalır; asla bilişe dönüşmez.

Topluluk tweetleri en açık şekilde ifade ediyor: "Herkes OpenClaw'unun hafıza kaybı yaşadığından şikayet ediyor."

II. Resmi OpenClaw'un Yaptıkları—QMD Arka Ucu ve Hibrit Arama

Resmi ekip boş durmuyor.

Ocak-Şubat 2026 sürüm zaman çizelgesi:

v2026.1.12 (13 Ocak): Vektör arama altyapısı başlatıldı; SQLite indeksleme + parçalama (chunking) + tembel senkronizasyon (lazy sync) + dosya izleme dahil olup, yerel ve uzak gömme (embedding) işlemlerini destekler. Bu, tüm hafıza arama sisteminin temelidir.

v2026.1.29 (29 Ocak): L2 normalizasyon düzeltmesi. Yerel gömme vektörleri normalleştirilmemişti ve bu da kosinüs benzerliği hesaplamalarını bozuyordu; bu hata, önceki anlamsal arama doğruluğunun hatalı olduğu anlamına geliyordu. Ekstra indeks yolları için destek eklendi.

v2026.2.2 (4 Şubat): QMD hafıza arka ucu birleştirildi (PR #3160), en önemli mimari yükseltme. 30 commit, QMD arka ucu için BM25 + Vektör + Yeniden Sıralama (Reranking) üç yönlü hibrit arama desteği ekleniyor.

QMD ne yaptı?

Yerleşik SQLite indeksleyiciyi yerel bir arama yan işlemi (sidecar process) ile değiştirir. Her ajan/yapılandırma kombinasyonu bir yan işlemi önbelleğe alır, birden çok adlandırılmış koleksiyonu destekler ve oturum kayıtları dışa aktarılıp özel koleksiyonlara indekslenebilir. Gizlilik için, oturum verileri indekslenmeden önce duyarsızlaştırılır. QMD kullanılamazsa otomatik olarak SQLite'a geri döner.

Bilinen sorunlar:

Yalnızca CPU'lu sistemlerde sorgu süresi yaklaşık 3 dakika 40 saniyedir ve 12 saniyelik zaman aşımını aşar (Issue #8786). paths yapılandırması çalışmaz (Issue #8750).

Ayrıca, geri dönüş sessizdir; kullanıcılar QMD'nin çalışmadığını bilmez.

Bu arada, PR #6060 "keşfedilebilirlik" sorununu çözmeye çalışır: OpenClaw'un hafıza sistemi, kullanıcıların bulamadığı güçlü özelliklere sahiptir. Öneri, kullanıma sunma sihirbazına (onboarding wizard) bir "Hafıza Optimizasyonu" adımı ekler ve varsayılan olarak kapalı olan dört gizli özelliği ortaya çıkarır: birleştirme öncesi hafıza temizleme, hibrit arama, gömme önbelleği ve oturum kaydı arama.

Resmi yönün temel sorunu: bunların hepsi "alım katmanı" optimizasyonlarıdır. Arama daha doğru, daha hızlı ve daha keşfedilebilir.

Ancak hafıza mimarisinin altı temel eksik parçası:

Unutma, Önem, Grafikler, Yansıma, Kronoloji, Yükseltme

Bunların hiçbiri ele alınmadı.

III. Topluluk Kendini Nasıl Kurtarıyor—Kendin Yap Çözümleri

Topluluk resmi ekibi beklemedi. Ocak-Şubat 2026'da en az 7 üçüncü taraf hafıza projesi ortaya çıktı.

1. Mem0: En ünlü hafıza katmanı SDK'sı. Otomatik-Geri Çağırma (Auto-Recall), her yanıttan önce bağlama enjekte etmek için ilgili anıları arar; Otomatik-Yakalama (Auto-Capture), daha sonra saklamak için gerçekleri çıkarır. Oturum + Kullanıcı çift katmanlı hafızaya sahiptir ve %91 gecikme azaltma ve %90 token tasarrufu sağladığını iddia eder.

1. Hindsight: Yerel uzun vadeli hafıza. Temel içgörü: Geleneksel sistemler ajana bir search_memory aracı verir, ancak model bunu kullanmayabilir. Otomatik-Geri Çağırma'nın otomatik enjeksiyonu bu sorunu çözer. Tamamen yereldir, PostgreSQL desteklidir ve çoklu örnek paylaşımını destekler.

1. MoltBrain (365 Yıldız): SQLite + ChromaDB anlamsal arama, bağlamı otomatik yakalamak için yaşam döngüsü kancaları (lifecycle hooks) ve zaman çizelgesini görüntülemek için bir Web Arayüzü.

1. NOVA Bellek Sistemi: PostgreSQL yapılandırılmış hafıza. Doğal dili 8 veritabanı tablosu (varlıklar, ilişkiler, konumlar, projeler, olaylar, dersler, tercihler) arasında JSON'a ayrıştırmak için Claude API'sini kullanır.

1. Penfield Skill: BM25 + Vektör + Grafik ile hibrit arama—toplulukta biri zaten üç yönlü hibrit arama yapıyor.

1. Diğerleri arasında Memory Template (Git destekli), SuperMemory (çok erken aşama) ve MemoryPlugin (platformlar arası senkronizasyon için Chrome uzantısı) bulunur.

Topluluk "en iyi uygulamaları" hangi yönü doğruluyor?

1. Günlük Kaydı → MEMORY.md yükseltme modeli.
2. Hafıza konsolidasyonu için tetikleyici olarak Kalp Atışlarını (Heartbeats) kullanma.
3. %70/30 hibrit arama ağırlıklandırması (%70 Vektör + %30 Anahtar Kelime).
4. Oturum Kaydı İndeksleme.

Ancak topluluk hala altı kör noktaya dokunmadı: Unutma/azalma mekanizmaları, önem puanlaması, bilgi grafikleri, otomatik yansıma/konsolidasyon, zamansal akıl yürütme ve hafıza yükseltme.

Kısacası: Topluluk, mimari kusurları telafi etmek için manuel işlemler kullanıyor. Yön doğru, ancak hepsi hala manuel seviyede.

IV. Akademik Patlama—Şubat 2026'da 10'dan Fazla Makale

Şubat 2026'da ajan hafızası aniden birincil bir akademik savaş alanı haline geldi. arXiv'de 10'dan fazla makale yayınlandı; bunlar arasında xMemory [1] (ICML 2026) ve A-MEM [2] (NeurIPS 2025) yer alıyor. 59 yazarlı bir anket makalesi [3] alanı sistematik olarak düzenledi.

Bu makaleler bize ne öğretiyor?

xMemory [1] (ICML 2026, King's College London): Hafızayı hiyerarşik olarak organize edilmiş anlamsal bileşenlere ayırır. Hafıza bölme ve birleştirmeye rehberlik etmek için bir Seyreklik-Anlambilim (Sparsity-Semantics) hedefi kullanır. Bu, "Konu Kümeleme Katmanı" tasarımına ilham vererek, yukarıdan aşağıya alımı desteklemek için hafızanın üzerinde bir konu katmanı oluşturur.

A-MEM [2] (NeurIPS 2025): Zettelkasten yöntemini kullanarak ajan hafızasını yönetir. Yeni anılar eklendiğinde, bağlam açıklamaları, anahtar kelimeler ve etiketler içeren yapılandırılmış notlar oluşturur ve dinamik indeksleme ve bağlantı yoluyla birbirine bağlı bir bilgi ağı oluşturur.

InfMem [4]: Uzun belge akıl yürütmesini çözer. Bir PreThink-Retrieve-Write protokolü aracılığıyla System-2 tarzı aktif hafıza kontrolü uygular. 32K ila 1M token QA kıyaslamalarında doğruluk %10-12 arttı ve çıkarım süresinde 3,9 kat azalma sağlandı.

TAME [5]: Kritik bir tehlike tespit etti: "Ajan Hafızasının Yanlış Evrimi" (Agent Memory Misevolution). Anılar, normal görev yinelemeleri sırasında "toksin kısayolları" biriktirebilir—verimli ancak güvenlik ihlali yapan stratejiler. Bir Yürütücü/Değerlendirici (Executor/Evaluator) çift hafıza çerçevesi önerdi.

ALMA [6]: Yapay zekanın hafıza tasarımlarını otomatik olarak keşfetmesini sağlayan bir meta-öğrenme çerçevesi. Öğrenilen tasarımlar, manuel temel çizgileri %6-13 oranında geride bıraktı. Bununla birlikte, dikkat çekici bir şekilde hafıza bozulması, unutma veya çıkarma mekanizmalarından yoksundur.

MemSkill [7]: Hafıza işlemlerini öğrenilebilir "hafıza becerileri" olarak yeniden çerçeveler. Bir denetleyici becerileri seçmeyi öğrenir ve bir tasarımcı, beceri setini geliştirmek için periyodik olarak zor vakaları gözden geçirir.

BudgetMem [8]: Hafıza işlemeyi üç bütçe katmanına yapılandıran bir çalışma zamanı hafıza çerçevesi ve hafif bir yönlendiriciyi eğitmek için takviyeli öğrenme kullanır.

59 yazarlı anket makalesi [3] net bir üç boyutlu taksonomi sağlar:

• Altlık (Substrate): Hafıza nasıl depolanır? Vektörler, grafikler, belgeler?
• Mekanizma (Mechanism): Nasıl okunur/yazılır? Pasif kayıt mı yoksa aktif akıl yürütme mi?
• Özne (Subject): Kimin hafızası? Kullanıcının mı, ajanın mı, yoksa paylaşılan mı?

Sektörden iki kritik uyarı:

1. Seri Çöküş (Serial Collapse) [9] (Moonshot AI Kimi K2.5'ten): Ajanlar hafızayı kullanmamaya doğru bozulur. Sistem mevcut olsa bile, ajan yavaş yavaş onu sorgulamayı "unutabilir".
2. Hafızanın Yanlış Evrimi (Memory Misevolution) [5] (TAME'den): Normal yinelemeler sırasında toksin kısayollarının birikmesi.

Bu riskler bize hatırlatıyor: hafıza sistemlerinin zorluğu onları inşa etmek değil, sürekli kalite izlemesidir.

V. Açık Kaynak Hafıza Ekosistemi—6 Projenin Taraması

Akademi yönü tanımlar; açık kaynak topluluğu uygulamayı doğrular.

Toplam 77K+ yıldıza sahip 6 ajan hafıza projesini derinlemesine analiz ettik.

Önemli bir keşif: bu 6 proje üç tamamen farklı hafıza felsefesini temsil ediyor.

1. Durum Katmanı Önceliği (mem0, Memori): Hafıza = Durum Yönetimi. Ajanlara hızlı bir şekilde "ChatGPT Hafızası" benzeri bir deneyim kazandırır.
2. Bilgi Katmanı Önceliği (cognee, MemOS): Hafıza = Yapılandırılmış Bilgi. Verileri grafiklere ve çoklu bilgi tabanlarına dönüştürür.
3. Öğrenme Katmanı Önceliği (Hindsight): Hafıza = Öğrenme Süreci. Saklama/geri çağırma/yansıtma işlemlerinin kapalı bir döngüsü.

Seçiminiz, sistem karmaşıklığını nereye koyacağınızı belirler: veritabanı şemaları (Memori), SDK/ürün katmanı (mem0), grafikler ve boru hatları (cognee), sistem zamanlaması (MemOS) veya öğrenme ve alımın birleşimi (Hindsight).

Bununla birlikte, hiçbir proje her üç katmanı da kapsamaz.

VI. 200'den Fazla Konudan Alınan Dersler—Başkalarının Düştüğü Tuzaklar

Bu 6 projeden 200'den fazla konuyu (issue) analiz ederek, hafıza sistemleri oluşturmak için yüksek değerli bir kontrol listesi çıkardık.

Beş yaygın projeler arası sorun:

1. Sessiz Başarısızlık (6/6 proje): En yaygın sorun. Kullanıcılar "çalışmıyor ve nedenini söylemiyor" diye şikayet eder (örneğin, mem0 #2443, Memori #238).
2. Hafıza Yinelenmesini Kaldırma: Herkes için bir sorun. LLM'ler genellikle yinelenen içeriği "çelişkili" olarak değerlendirir ve hatalı silmelere yol açar (örneğin, mem0 #1674).
3. Güvenilmez LLM Yargısı: LLM'lerin yeniden ifade etme sırasında birinci şahıs referanslarını kaybetmesi veya kararlı JSON çıktısı verememesi (örneğin, MemOS #931, #934).
4. Veritabanı Bağlantısı/Geçişi: SQLite bağlantı sızıntıları ve Docker dağıtım geçiş hataları (örneğin, Memori #189, cognee #2022).
5. Arama Sıralaması Bozulması: 0,1 ve 0,5 mesafesinin her ikisinin de 0 olarak ele alınmasına neden olan normalizasyon sorunları ve alımda zamansal boyut eksikliği (örneğin, cognee #2030, MemOS #939).

VII. Oyun Yapay Zekasından İçgörüler—Dwarf Fortress, The Sims, Nemesis Sistemi

En hafife alınan referans akademik makaleler değil, oyun yapay zekasıdır. Oyun geliştiricileri, on yıllardır sanal karakterlere tutarlı anılar ve istikrarlı kişilikler kazandırma sorununu çözmek için harcadılar.

Dwarf Fortress'un Üç Katmanlı Hafıza Mimarisi:

• Kısa Süreli Hafıza (KSH): 8 yuvalı dairesel bir tampon kuyruğu. Yeni anılar, duygusal yoğunluğa göre rekabet eder (örneğin, bir ölüme tanık olmak vs. hafif açlık).
• Uzun Süreli Hafıza (USH): Bir anı KSH'de yeterince uzun süre kalırsa ve yerinden edilmezse, yükseltilmeye çalışır. Bir NPC "anımsadığında", bunun bir Çekirdek Anı (Core Memory) olma şansı 1:3'tür.
• Çekirdek Anı: Niteliksel bir değişiklik. Yükseltildikten sonra, karakter parametrelerini kalıcı olarak değiştirir (örneğin, "bir akrabanın ölümüne tanık olmak" → Kaygı +10).

Stanford'un Üretken Ajanları [10] Üç Boyutlu Alım:

Alım Puanı = Güncellik x Önem x Alaka. Güncellik üstel azalma kullanır, Önem bir LLM tarafından puanlanır ve Alaka kosinüs benzerliğini kullanır. Yansıma mekanizmaları, gerçek hatırlamayı %41'den %87'ye çıkardı.

The Sims 4 Duygusal Katılaşması:

Sık sık tekrarlayan kısa süreli duygular, kalıcı özelliklere dönüşür. Uzun süreli yalnızlık, "Yalnız" özelliği haline gelir ve fayda fonksiyonu hesaplamalarını kalıcı olarak değiştirir.

Nemesis Sisteminin Olay Odaklı Evrimi:

Olay etiketleri, sosyal ağlar aracılığıyla yayılan parametre mutasyonlarını tetikler. Ateşle öldürülen bir Ork, "Ateş Korkusu" veya "Ateşli Öfke" özelliğiyle geri dönebilir.

Bu mekanizmalar doğrudan AI ajan hafızasına uygulanır: bağlam yönetimi için dairesel tamponlar, önem puanlaması için duygusal yoğunluk ve önemsiz gerçeklerden kişilik özelliklerine evrim için hafıza yükseltme.

VIII. İki Tür Hafıza—Kullanıcı Hafızası ve Ajan Hafızası

Sıklıkla gözden kaçan bir ayrım: Kullanıcı hafızası ve Ajan hafızası iki farklı sorundur.

ByteDance'in OpenViking projesi pratik bir sınıflandırma sağlar:

• 6 kategori (Profil, Tercih, Varlık, Olay, Vaka, Desen).
• L0/L1/L2 içerik modelleri: L0 Özeti (~100 token) indeksleme için, L1 Genel Bakış (~500 token) yapı için ve L2 Tam Metin tam içerik içindir. Bu, token tüketimini büyük ölçüde azaltır.

IX. Bireylerden AI Ekosistemine—Hafıza Neden Temel Altyapıdır

Hafıza sorununu ilk çözen, 7/24 Ajan savaşını kazanır. OpenClaw'un temel değeri, yapay zekanın "daha akıllı" olması değil, nihayet "elleri ve ayakları" olmasıdır.

Ancak elleri ve ayakları olan ama hafızası olmayan bir yapay zeka, her gün her şeyi unutan, sürekli yeniden eğitim gerektiren ve aynı hataları tekrarlayan bir çalışan gibidir.

Önceki raporlarda belirtildiği gibi, tüm LLM tabanlı ajanlar hafıza sorunlarıyla karşı karşıyadır. Bu bir OpenClow hatası değil; teknoloji yığınının yapısal bir sınırlamasıdır. Bağlam penceresi, esasen "kısa süreli hafızadır": taşma kesintiye, yeniden başlatma ise sıfırlanmaya yol açar.

https://x.com/li9292/status/2023355272542998796

Şubat 2026'daki akademik yoğunluk, açık kaynak patlaması ve resmi yükseltmelerin birleşimi, AI hafızasının "sahip olması güzel"den temel altyapıya doğru ilerlediğini gösteriyor.

X. İnşa Ettiğimiz Şey—memX ve ePro Yol Haritası

Bu araştırmaya dayanarak iki sistem inşa ediyoruz: memX (Kullanıcı Hafızası) ve ePro (Ajan Hafızası). Canlılar ve yinelemeli olarak gelişiyorlar; geri bildirimlerinizi dört gözle bekliyoruz!

Referanslar, bu özette kısalık adına atlanmış ancak tam raporda yer almaktadır.

Bu rapor, 23 Şubat 2026 tarihli bir veri anlık görüntüsüne dayanmaktadır. Li Jiu Er tarafından Claude Max, Manus ve Google Gemini iş birliğiyle oluşturulmuştur.