feat(memory): Add status metadata and session-scoped retrieval for action-oriented memories
I maintainer di solito rispondono entro 1 giorno
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 25/100
- Tipo di issue
- Funzionalità
- Chiarezza
- Abbastanza chiara
- Stato di attività
- Ferma
- Stack tecnologico
- python
- Ambito
- ai, backend-api-design
Direzione di ricerca
Start by reading the agent_memory branch plugin and the existing memory retrieval API, especially how memories are represented and scored. The proposed changes span status metadata, session filtering, and relevance decay, so first get maintainer alignment on the approach; done would mean an agreed scope and behavior for all three parts.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Problem
When EverMemOS is used with long-running agents (e.g., OpenClaw 24/7 agents), completed action items from past sessions are retrieved alongside current context. The agent then re-executes already-finished tasks because it cannot distinguish resolved actions from active ones.
Root cause
- No status metadata on memories — completed and pending action items look identical in retrieval results.
- No session boundary awareness — retrieval treats all memories equally regardless of which session produced them.
- No relevance decay for action-oriented memories — a "deploy X" instruction from 3 days ago has the same retrieval weight as one from 5 minutes ago.
Real-world impact
In production OpenClaw deployments, we observe:
- Agents re-running deployment scripts that already succeeded
- Duplicate messages sent because a "send update to user" memory resurfaces
- Manual workaround required: prefixing resolved items with
[RESOLVED]markers in memory text
Proposed Solution
1. Status metadata on memories
Add an optional status field to memory entries:
{
"content": "Deploy hotfix to production",
"type": "episodic",
"status": "resolved",
"resolved_at": "2026-03-22T10:30:00Z"
}
Possible values: active (default) | resolved | superseded
2. Session-scoped retrieval option
Add a session_id field to memories and a retrieval filter:
GET /api/v1/memories?session_id=abc123&include_resolved=false
This allows agents to scope retrieval to the current session while optionally including cross-session context.
3. Relevance decay for action memories
For memories tagged as action-oriented (trait type or custom tag), apply a time-based decay factor to retrieval scoring. Informational memories (facts, preferences) would remain unaffected.
Alternatives Considered
- Client-side markers (
[RESOLVED]prefix in text): Currently used as a workaround. Fragile — depends on LLM parsing text markers correctly. - TTL-based expiry (related to #95): Too blunt — expires all memories, not just completed actions.
- Manual deletion: Loses valuable historical context that may be useful for retrospectives.
Additional Context
- We run EverMemOS with OpenClaw agents across Telegram, WeChat, and Discord channels with shared
groupId. - The
agent_memorybranch plugin is the integration point. - Happy to contribute implementation if the team aligns on the approach.
- Lingua principale
- Python
- Stelle
- 13.3k
- Fork
- 926
- Merge medio
- 17h 8m
- PR unite (30g)
- 32
Preparare l'ambiente
Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di EverMind-AI/EverOS
-
Difficoltà 2/5 Mezza giornata Idoneità per principianti 62/100
EverMind-AI/EverOS#414 ·
I maintainer di solito rispondono entro 1 giorno
-
[Offer] Free independent recomputation of your published memory benchmarks (assayed-tier upgrade)Aperta
Difficoltà 4/5 1-2 giorni Idoneità per principianti 3/100
EverMind-AI/EverOS#504 ·
I maintainer di solito rispondono entro 1 giorno
-
enhancement
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
EverMind-AI/EverOS#501 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 55/100
EverMind-AI/EverOS#498 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 35/100
EverMind-AI/EverOS#485 ·
I maintainer di solito rispondono entro 1 giorno
Tutte le issue di EverMind-AI/EverOS
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 64/100
aws-samples/sample-per-model-bedrock#295 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 76/100
pyrevitlabs/pyRevit#3792 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 69/100
zephyrproject-rtos/reqmgmt#177 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
polarsource/polar#15580 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 85/100
521xueweihan/HelloGitHub#4011 ·