Speichersuche
memory_search findet relevante Notizen aus Ihren Speicherdateien, auch wenn
die Formulierung vom Originaltext abweicht. Dazu wird der Speicher in kleine
Abschnitte indexiert und diese mit Embeddings, Schlüsselwörtern oder beidem
durchsucht.
Schnellstart
Wenn Sie ein GitHub Copilot-Abonnement oder einen konfigurierten API-Schlüssel
für OpenAI, Gemini, Voyage oder Mistral haben, funktioniert die Speichersuche
automatisch. Um einen Anbieter explizit festzulegen:
{
agents: {
defaults: {
memorySearch: {
provider: "openai", // oder "gemini", "local", "ollama" usw.
},
},
},
}
provider: "local" (erfordert
node-llama-cpp).
Unterstützte Anbieter
| Anbieter | ID | API-Schlüssel erforderlich | Hinweise |
|---|
| Bedrock | bedrock | Nein | Automatisch erkannt, wenn die AWS-Anmeldedatenkette aufgelöst wird |
| Gemini | gemini | Ja | Unterstützt Bild-/Audio-Indexierung |
| GitHub Copilot | github-copilot | Nein | Automatisch erkannt, verwendet das Copilot-Abonnement |
| Local | local | Nein | GGUF-Modell, Download von ca. 0,6 GB |
| Mistral | mistral | Ja | Automatisch erkannt |
| Ollama | ollama | Nein | Lokal, muss explizit festgelegt werden |
| OpenAI | openai | Ja | Automatisch erkannt, schnell |
| Voyage | voyage | Ja | Automatisch erkannt |
So funktioniert die Suche
OpenClaw führt zwei Abrufpfade parallel aus und führt die Ergebnisse zusammen:
- Vektorsuche findet Notizen mit ähnlicher Bedeutung („Gateway-Host“ passt
zu „der Rechner, auf dem OpenClaw läuft“).
- BM25-Schlüsselwortsuche findet exakte Treffer (IDs, Fehlerzeichenfolgen, Konfigurations-
schlüssel).
Wenn nur ein Pfad verfügbar ist (keine Embeddings oder kein FTS), läuft der
andere allein.
Wenn keine Embeddings verfügbar sind, verwendet OpenClaw weiterhin ein
lexikalisches Ranking über FTS-Ergebnisse, anstatt nur auf die rohe Reihenfolge
exakter Treffer zurückzufallen. Dieser eingeschränkte Modus hebt Abschnitte mit
stärkerer Abdeckung der Abfragebegriffe und relevanten Dateipfaden hervor,
wodurch der Recall auch ohne sqlite-vec oder einen Embedding-Anbieter
nützlich bleibt.
Suchqualität verbessern
Zwei optionale Funktionen helfen, wenn Sie eine lange Notizenhistorie haben:
Zeitlicher Verfall
Alte Notizen verlieren schrittweise an Ranking-Gewicht, sodass neuere
Informationen zuerst angezeigt werden. Mit der Standard-Halbwertszeit von 30
Tagen erreicht eine Notiz vom letzten Monat 50 % ihres ursprünglichen Gewichts.
Evergreen-Dateien wie MEMORY.md unterliegen nie dem Verfall.
Aktivieren Sie den zeitlichen Verfall, wenn Ihr Agent monatelange tägliche
Notizen hat und veraltete Informationen immer wieder höher eingestuft werden als
aktueller Kontext.
MMR (Diversität)
Verringert redundante Ergebnisse. Wenn fünf Notizen dieselbe Router-Konfiguration
erwähnen, sorgt MMR dafür, dass die besten Ergebnisse unterschiedliche Themen
abdecken, anstatt sich zu wiederholen.
Aktivieren Sie MMR, wenn memory_search immer wieder nahezu identische Snippets
aus verschiedenen täglichen Notizen zurückgibt.
Beide aktivieren
{
agents: {
defaults: {
memorySearch: {
query: {
hybrid: {
mmr: { enabled: true },
temporalDecay: { enabled: true },
},
},
},
},
},
}
Multimodaler Speicher
Mit Gemini Embedding 2 können Sie Bilder und Audiodateien zusammen mit
Markdown indexieren. Suchanfragen bleiben Text, gleichen aber mit visuellen und
Audioinhalten ab. Informationen zur Einrichtung finden Sie in der
Referenz zur Speicherkonfiguration.
Suche im Sitzungsspeicher
Sie können Sitzungsprotokolle optional indexieren, damit memory_search
frühere Gespräche abrufen kann. Dies ist per Opt-in über
memorySearch.experimental.sessionMemory verfügbar. Details finden Sie in der
Konfigurationsreferenz.
Fehlerbehebung
Keine Ergebnisse? Führen Sie openclaw memory status aus, um den Index zu
prüfen. Falls er leer ist, führen Sie openclaw memory index --force aus.
Nur Schlüsselworttreffer? Ihr Embedding-Anbieter ist möglicherweise nicht
konfiguriert. Prüfen Sie openclaw memory status --deep.
CJK-Text wird nicht gefunden? Erstellen Sie den FTS-Index mit
openclaw memory index --force neu.
