Integrierte Memory-Engine

Die integrierte Engine ist das standardmäßige Memory-Backend. Sie speichert Ihren Memory-Index in einer SQLite-Datenbank pro Agent und benötigt für die ersten Schritte keine zusätzlichen Abhängigkeiten.

Funktionsumfang

• Schlüsselwortsuche über FTS5-Volltextindizierung (BM25-Bewertung).
• Vektorsuche über Embeddings eines beliebigen unterstützten Providers.
• Hybridsuche, die beide Ansätze kombiniert, um optimale Ergebnisse zu erzielen.
• CJK-Unterstützung über Trigramm-Tokenisierung für Chinesisch, Japanisch und Koreanisch.
• sqlite-vec-Beschleunigung für Vektorabfragen innerhalb der Datenbank (optional).

Erste Schritte

Standardmäßig verwendet die integrierte Engine OpenAI-Embeddings. Wenn OPENAI_API_KEY oder models.providers.openai.apiKey bereits konfiguriert ist, funktioniert die Vektorsuche ohne zusätzliche Memory-Konfiguration.

So legen Sie explizit einen Provider fest:

{  memory: {    search: {      provider: "openai",    },  },}

Ohne Embedding-Provider ist nur die Schlüsselwortsuche verfügbar.

Um lokale GGUF-Embeddings zu erzwingen, installieren Sie das offizielle llama.cpp-Provider- Plugin und verweisen Sie dann mit local.modelPath auf eine GGUF-Datei:

openclaw plugins install @openclaw/llama-cpp-provider

{  memory: {    search: {      provider: "local",      fallback: "none",      local: {        modelPath: "~/.node-llama-cpp/models/embeddinggemma-300m-qat-Q8_0.gguf",      },    },  },}

Unterstützte Embedding-Provider

Legen Sie memory.search.provider fest, um von OpenAI zu einem anderen Provider zu wechseln.

Funktionsweise der Indizierung

OpenClaw indiziert MEMORY.md und memory/*.md in Abschnitten (standardmäßig 400 Token mit einer Überlappung von 80 Token) und speichert sie in einer SQLite-Datenbank pro Agent.

• Indexspeicherort: die Datenbank des zuständigen Agenten unter ~/.openclaw/agents/<agentId>/agent/openclaw-agent.sqlite
• Speicherverwaltung: SQLite-WAL-Begleitdateien werden durch regelmäßige Checkpoints und Checkpoints beim Herunterfahren begrenzt.
• Dateiüberwachung: Änderungen an Memory-Dateien lösen eine verzögerte Neuindizierung aus (standardmäßig 1.5s).
• Automatische Neuindizierung: Der Index wird automatisch neu aufgebaut, wenn sich der Embedding- Provider, das Modell, die Abschnittskonfiguration, die konfigurierten Quellen oder der Geltungsbereich ändern.
• Neuindizierung bei Bedarf: openclaw memory index --force

Einsatzbereiche

Die integrierte Engine ist für die meisten Benutzer die richtige Wahl:

• Funktioniert ohne zusätzliche Abhängigkeiten sofort.
• Bietet eine leistungsfähige Schlüsselwort- und Vektorsuche.
• Unterstützt alle Embedding-Provider.
• Die Hybridsuche kombiniert die Vorteile beider Abrufansätze.

Erwägen Sie einen Wechsel zu QMD, wenn Sie eine Neugewichtung, eine Abfrage- erweiterung oder die Indizierung von Verzeichnissen außerhalb des Arbeitsbereichs benötigen.

Erwägen Sie Honcho, wenn Sie sitzungsübergreifendes Memory mit automatischer Benutzermodellierung wünschen.

Fehlerbehebung

Memory-Suche deaktiviert? Überprüfen Sie openclaw memory status. Wenn kein Provider erkannt wird, legen Sie explizit einen fest oder fügen Sie einen API-Schlüssel hinzu.

Lokaler Provider nicht erkannt? Vergewissern Sie sich, dass der lokale Pfad vorhanden ist, und führen Sie Folgendes aus:

openclaw memory status --deep --agent mainopenclaw memory index --force --agent main

Sowohl eigenständige CLI-Befehle als auch das Gateway verwenden dieselbe Provider-ID local. Legen Sie memory.search.provider: "local" fest, wenn Sie lokale Embeddings verwenden möchten.

Veraltete Ergebnisse? Führen Sie openclaw memory index --force aus, um den Index neu aufzubauen. Die Dateiüberwachung kann in seltenen Grenzfällen Änderungen übersehen.

sqlite-vec wird nicht geladen? OpenClaw greift automatisch auf die prozessinterne Kosinus- Ähnlichkeit zurück. openclaw memory status --deep meldet den lokalen Vektorspeicher getrennt vom Embedding-Provider, daher verweist Vector store: unavailable auf das Laden von sqlite-vec, während Embeddings: unavailable auf die Bereitschaft des Providers, der Authentifizierung oder des Modells verweist. Prüfen Sie die Protokolle auf den konkreten Ladefehler.

Konfiguration

Informationen zur Einrichtung von Embedding-Providern, zur Optimierung der Hybridsuche (Gewichtungen, MMR, zeitlicher Verfall), zur Batch-Indizierung, zu multimodalem Memory, sqlite-vec, zusätzlichen Pfaden und allen anderen Konfigurationsoptionen finden Sie in der Referenz zur Memory-Konfiguration.

Verwandte Themen

• Memory-Übersicht
• Memory-Suche
• Active Memory