--- read_when: - Sie möchten Speichersuch-Provider oder Einbettungsmodelle konfigurieren - Sie möchten das QMD-Backend einrichten - Sie möchten die Hybridsuche, MMR oder zeitlichen Verfall abstimmen - Sie möchten die multimodale Speicherindizierung aktivieren sidebarTitle: Memory config summary: Alle Konfigurationsoptionen für Speichersuche, Embedding-Provider, QMD, hybride Suche und multimodale Indexierung title: Speicherkonfigurationsreferenz x-i18n: generated_at: "2026-06-28T22:33:55Z" model: gpt-5.5 postprocess_version: locale-links-v1 provider: openai source_hash: de7d1c23cd415293001ef59ae2572cd7bfe9a88c70c1e4cf138ee60664ff0ac2 source_path: reference/memory-config.md workflow: 16 --- Diese Seite listet jeden Konfigurationsregler für die OpenClaw-Speichersuche auf. Konzeptionelle Übersichten finden Sie unter: So funktioniert Speicher. Standardmäßiges SQLite-Backend. Local-first-Sidecar. Such-Pipeline und Feinabstimmung. Speicher-Sub-Agent für interaktive Sitzungen. Alle Einstellungen für die Speichersuche befinden sich unter `agents.defaults.memorySearch` in `openclaw.json`, sofern nicht anders angegeben. Wenn Sie den Feature-Schalter für **Active Memory** und die Sub-Agent-Konfiguration suchen, befindet sich diese unter `plugins.entries.active-memory` statt unter `memorySearch`. Active Memory verwendet ein Modell mit zwei Gates: 1. Das Plugin muss aktiviert sein und auf die aktuelle Agent-ID abzielen 2. Die Anfrage muss eine zulässige interaktive persistente Chatsitzung sein Siehe [Active Memory](/de/concepts/active-memory) für das Aktivierungsmodell, die Plugin-eigene Konfiguration, die Transkriptpersistenz und das Muster für einen sicheren Rollout. --- ## Provider-Auswahl | Schlüssel | Typ | Standard | Beschreibung | | ---------- | --------- | ---------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `provider` | `string` | `"openai"` | Embedding-Adapter-ID wie `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai`, `openai-compatible` oder `voyage`; kann auch ein konfigurierter `models.providers.` sein, dessen `api` auf einen Speicher-Embedding-Adapter oder eine OpenAI-kompatible Modell-API zeigt | | `model` | `string` | Provider-Standard | Name des Embedding-Modells | | `fallback` | `string` | `"none"` | Fallback-Adapter-ID, wenn der primäre Adapter fehlschlägt | | `enabled` | `boolean` | `true` | Speichersuche aktivieren oder deaktivieren | Wenn `provider` nicht gesetzt ist, verwendet OpenClaw OpenAI-Embeddings. Setzen Sie `provider` explizit, um Gemini, Voyage, Mistral, DeepInfra, Bedrock, GitHub Copilot, Ollama, ein lokales GGUF-Modell oder einen OpenAI-kompatiblen `/v1/embeddings`-Endpoint zu verwenden. Legacy-Konfigurationen, die noch `provider: "auto"` enthalten, werden zu `openai` aufgelöst. Das Ändern des Embedding-Providers, Modells, der Provider-Einstellungen, Quellen, des Geltungsbereichs, Chunkings oder Tokenizers kann den vorhandenen SQLite-Vektorindex inkompatibel machen. OpenClaw pausiert die Vektorsuche und meldet eine Warnung zur Indexidentität, statt automatisch alles neu einzubetten. Erstellen Sie den Index neu, wenn Sie bereit sind, mit `openclaw memory status --index --agent ` oder `openclaw memory index --force --agent `. Wenn `provider` nicht gesetzt ist, das Legacy-`provider: "auto"` vorhanden ist oder `provider: "none"` absichtlich den FTS-only-Modus auswählt, kann der Speicherabruf weiterhin lexikalisches FTS-Ranking verwenden, wenn Embeddings nicht verfügbar sind. Explizite nicht-lokale Provider schlagen geschlossen fehl. Wenn Sie `memorySearch.provider` auf einen konkreten remote-gestützten Provider wie OpenAI, Gemini, Voyage, Mistral, Bedrock, GitHub Copilot, DeepInfra, Ollama, LM Studio oder einen OpenAI-kompatiblen benutzerdefinierten Provider setzen und dieser Provider zur Laufzeit nicht verfügbar ist, gibt `memory_search` ein Ergebnis „nicht verfügbar“ zurück, statt stillschweigend FTS-only-Abruf zu verwenden. Korrigieren Sie die Provider-/Auth-Konfiguration, wechseln Sie zu einem erreichbaren Provider oder setzen Sie `provider: "none"`, wenn Sie bewusst FTS-only-Abruf wünschen. ### Benutzerdefinierte Provider-IDs `memorySearch.provider` kann auf einen benutzerdefinierten `models.providers.`-Eintrag für speicherspezifische Provider-Adapter wie `ollama` oder für OpenAI-kompatible Modell-APIs wie `openai-responses` / `openai-completions` zeigen. OpenClaw löst den `api`-Owner dieses Providers für den Embedding-Adapter auf und bewahrt dabei die benutzerdefinierte Provider-ID für Endpoint-, Auth- und Modellpräfix-Behandlung. Dadurch können Multi-GPU- oder Multi-Host-Setups Speicher-Embeddings einem bestimmten lokalen Endpoint zuweisen: ```json5 { models: { providers: { "ollama-5080": { api: "ollama", baseUrl: "http://gpu-box.local:11435", apiKey: "ollama-local", models: [{ id: "qwen3-embedding:0.6b" }], }, }, }, agents: { defaults: { memorySearch: { provider: "ollama-5080", model: "qwen3-embedding:0.6b", }, }, }, } ``` ### API-Schlüsselauflösung Remote-Embeddings erfordern einen API-Schlüssel. Bedrock verwendet stattdessen die Standard-Anmeldedatenkette des AWS SDK (Instanzrollen, SSO, Zugriffsschlüssel). | Provider | Umgebungsvariable | Konfigurationsschlüssel | | -------------- | ------------------------------------------------ | ----------------------------------- | | Bedrock | AWS-Anmeldedatenkette | Kein API-Schlüssel erforderlich | | DeepInfra | `DEEPINFRA_API_KEY` | `models.providers.deepinfra.apiKey` | | Gemini | `GEMINI_API_KEY` | `models.providers.google.apiKey` | | GitHub Copilot | `COPILOT_GITHUB_TOKEN`, `GH_TOKEN`, `GITHUB_TOKEN` | Auth-Profil per Geräteanmeldung | | Mistral | `MISTRAL_API_KEY` | `models.providers.mistral.apiKey` | | Ollama | `OLLAMA_API_KEY` (Platzhalter) | -- | | OpenAI | `OPENAI_API_KEY` | `models.providers.openai.apiKey` | | Voyage | `VOYAGE_API_KEY` | `models.providers.voyage.apiKey` | Codex OAuth deckt nur Chat/Completions ab und erfüllt keine Embedding-Anfragen. --- ## Konfiguration des Remote-Endpoints Verwenden Sie `provider: "openai-compatible"` für einen generischen OpenAI-kompatiblen `/v1/embeddings`-Server, der keine globalen OpenAI-Chat-Anmeldedaten erben soll. Benutzerdefinierte API-Basis-URL. API-Schlüssel überschreiben. Zusätzliche HTTP-Header (mit Provider-Standards zusammengeführt). ```json5 { agents: { defaults: { memorySearch: { provider: "openai-compatible", model: "text-embedding-3-small", remote: { baseUrl: "https://api.example.com/v1/", apiKey: "YOUR_KEY", }, }, }, }, } ``` --- ## Provider-spezifische Konfiguration | Schlüssel | Typ | Standard | Beschreibung | | ---------------------- | -------- | ---------------------- | --------------------------------------------- | | `model` | `string` | `gemini-embedding-001` | Unterstützt auch `gemini-embedding-2-preview` | | `outputDimensionality` | `number` | `3072` | Für Embedding 2: 768, 1536 oder 3072 | Das Ändern des Modells oder von `outputDimensionality` ändert die Indexidentität. OpenClaw pausiert die Vektorsuche, bis Sie den Speicherindex explizit neu erstellen. OpenAI-kompatible Embedding-Endpoints können Provider-spezifische `input_type`-Anfragefelder aktivieren. Dies ist nützlich für asymmetrische Embedding-Modelle, die unterschiedliche Labels für Anfrage- und Dokument-Embeddings erfordern. | Schlüssel | Typ | Standard | Beschreibung | | ------------------- | -------- | ------------ | -------------------------------------------------------- | | `inputType` | `string` | nicht gesetzt | Gemeinsames `input_type` für Anfrage- und Dokument-Embeddings | | `queryInputType` | `string` | nicht gesetzt | `input_type` zur Anfragezeit; überschreibt `inputType` | | `documentInputType` | `string` | nicht gesetzt | Index-/Dokument-`input_type`; überschreibt `inputType` | ```json5 { agents: { defaults: { memorySearch: { provider: "openai-compatible", remote: { baseUrl: "https://embeddings.example/v1", apiKey: "${EMBEDDINGS_API_KEY}", }, model: "asymmetric-embedder", queryInputType: "query", documentInputType: "passage", }, }, }, } ``` Das Ändern dieser Werte wirkt sich auf die Identität des Embedding-Caches für die Provider-Batch-Indexierung aus und sollte von einer Neuindexierung des Speichers begleitet werden, wenn das Upstream-Modell die Labels unterschiedlich behandelt. ### Bedrock-Embedding-Konfiguration Bedrock verwendet die Standard-Anmeldedatenkette des AWS SDK — keine API-Schlüssel erforderlich. Wenn OpenClaw auf EC2 mit einer Bedrock-aktivierten Instanzrolle ausgeführt wird, setzen Sie einfach Provider und Modell: ```json5 { agents: { defaults: { memorySearch: { provider: "bedrock", model: "amazon.titan-embed-text-v2:0", }, }, }, } ``` | Schlüssel | Typ | Standard | Beschreibung | | ---------------------- | -------- | ------------------------------ | ------------------------------- | | `model` | `string` | `amazon.titan-embed-text-v2:0` | Beliebige Bedrock-Embedding-Modell-ID | | `outputDimensionality` | `number` | Modellstandard | Für Titan V2: 256, 512 oder 1024 | **Unterstützte Modelle** (mit Familienerkennung und Dimensionsstandards): | Modell-ID | Provider | Standarddimensionen | Konfigurierbare Dimensionen | | ------------------------------------------ | ---------- | ------------ | -------------------- | | `amazon.titan-embed-text-v2:0` | Amazon | 1024 | 256, 512, 1024 | | `amazon.titan-embed-text-v1` | Amazon | 1536 | -- | | `amazon.titan-embed-g1-text-02` | Amazon | 1536 | -- | | `amazon.titan-embed-image-v1` | Amazon | 1024 | -- | | `amazon.nova-2-multimodal-embeddings-v1:0` | Amazon | 1024 | 256, 384, 1024, 3072 | | `cohere.embed-english-v3` | Cohere | 1024 | -- | | `cohere.embed-multilingual-v3` | Cohere | 1024 | -- | | `cohere.embed-v4:0` | Cohere | 1536 | 256-1536 | | `twelvelabs.marengo-embed-3-0-v1:0` | TwelveLabs | 512 | -- | | `twelvelabs.marengo-embed-2-7-v1:0` | TwelveLabs | 1024 | -- | Varianten mit Durchsatzsuffix (z. B. `amazon.titan-embed-text-v1:2:8k`) erben die Konfiguration des Basismodells. **Authentifizierung:** Bedrock-Authentifizierung verwendet die Standard-Reihenfolge der Anmeldeinformationsauflösung des AWS SDK: 1. Umgebungsvariablen (`AWS_ACCESS_KEY_ID` + `AWS_SECRET_ACCESS_KEY`) 2. SSO-Token-Cache 3. Anmeldeinformationen per Web-Identity-Token 4. Geteilte Anmeldeinformationen und Konfigurationsdateien 5. ECS- oder EC2-Metadaten-Anmeldeinformationen Die Region wird aus `AWS_REGION`, `AWS_DEFAULT_REGION`, der `baseUrl` des Providers `amazon-bedrock` aufgelöst oder standardmäßig auf `us-east-1` gesetzt. **IAM-Berechtigungen:** Die IAM-Rolle oder der IAM-Benutzer benötigt: ```json { "Effect": "Allow", "Action": "bedrock:InvokeModel", "Resource": "*" } ``` Für das Prinzip der geringstmöglichen Berechtigungen beschränken Sie `InvokeModel` auf das spezifische Modell: ``` arn:aws:bedrock:*::foundation-model/amazon.titan-embed-text-v2:0 ``` | Schlüssel | Typ | Standard | Beschreibung | | --------------------- | ------------------ | ---------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `local.modelPath` | `string` | automatisch heruntergeladen | Pfad zur GGUF-Modelldatei | | `local.modelCacheDir` | `string` | node-llama-cpp-Standard | Cache-Verzeichnis für heruntergeladene Modelle | | `local.contextSize` | `number \| "auto"` | `4096` | Kontextfenstergröße für den Embedding-Kontext. 4096 deckt typische Chunks (128-512 Token) ab und begrenzt zugleich Nicht-Gewicht-VRAM. Senken Sie den Wert auf eingeschränkten Hosts auf 1024-2048. `"auto"` verwendet das trainierte Maximum des Modells - nicht empfohlen für 8B+-Modelle (Qwen3-Embedding-8B: 40 960 Token → ~32 GB VRAM gegenüber ~8.8 GB bei 4096). | Installieren Sie zuerst den offiziellen llama.cpp-Provider: `openclaw plugins install @openclaw/llama-cpp-provider`. Standardmodell: `embeddinggemma-300m-qat-Q8_0.gguf` (~0.6 GB, automatisch heruntergeladen). Source-Checkouts erfordern weiterhin die Genehmigung des nativen Builds: `pnpm approve-builds`, dann `pnpm rebuild node-llama-cpp`. Verwenden Sie die eigenständige CLI, um denselben Provider-Pfad zu prüfen, den der Gateway verwendet: ```bash openclaw memory status --deep --agent main openclaw memory index --force --agent main ``` Setzen Sie `provider: "local"` explizit für lokale GGUF-Embeddings. Modellreferenzen mit `hf:` und HTTP(S) werden für explizite lokale Konfigurationen unterstützt, ändern aber nicht den Standard-Provider. ### Timeout für Inline-Embeddings Überschreiben Sie den Timeout für Inline-Embedding-Batches während der Speicherindizierung. Nicht gesetzt verwendet den Provider-Standard: 600 Sekunden für lokale/selbst gehostete Provider wie `local`, `ollama` und `lmstudio` sowie 120 Sekunden für gehostete Provider. Erhöhen Sie diesen Wert, wenn lokale CPU-gebundene Embedding-Batches stabil, aber langsam sind. --- ## Konfiguration der hybriden Suche Alles unter `memorySearch.query.hybrid`: | Schlüssel | Typ | Standard | Beschreibung | | --------------------- | --------- | ------- | ------------------------------------ | | `enabled` | `boolean` | `true` | Hybride BM25- und Vektorsuche aktivieren | | `vectorWeight` | `number` | `0.7` | Gewichtung für Vektorscores (0-1) | | `textWeight` | `number` | `0.3` | Gewichtung für BM25-Scores (0-1) | | `candidateMultiplier` | `number` | `4` | Multiplikator für die Größe des Kandidatenpools | | Schlüssel | Typ | Standard | Beschreibung | | ------------- | --------- | ------- | -------------------------------------- | | `mmr.enabled` | `boolean` | `false` | MMR-Re-Ranking aktivieren | | `mmr.lambda` | `number` | `0.7` | 0 = maximale Diversität, 1 = maximale Relevanz | | Schlüssel | Typ | Standard | Beschreibung | | ---------------------------- | --------- | ------- | ---------------------------- | | `temporalDecay.enabled` | `boolean` | `false` | Aktualitäts-Boost aktivieren | | `temporalDecay.halfLifeDays` | `number` | `30` | Score halbiert sich alle N Tage | Dauerhaft relevante Dateien (`MEMORY.md`, undatierte Dateien in `memory/`) unterliegen nie dem Verfall. ### Vollständiges Beispiel ```json5 { agents: { defaults: { memorySearch: { query: { hybrid: { vectorWeight: 0.7, textWeight: 0.3, mmr: { enabled: true, lambda: 0.7 }, temporalDecay: { enabled: true, halfLifeDays: 30 }, }, }, }, }, }, } ``` --- ## Zusätzliche Speicherpfade | Schlüssel | Typ | Beschreibung | | ------------- | ---------- | --------------------------------------------------- | | `extraPaths` | `string[]` | Zusätzliche Verzeichnisse oder Dateien zur Indexierung | ```json5 { agents: { defaults: { memorySearch: { extraPaths: ["../team-docs", "/srv/shared-notes"], }, }, }, } ``` Pfade können absolut oder relativ zum Arbeitsbereich sein. Verzeichnisse werden rekursiv nach `.md`-Dateien durchsucht. Die Behandlung von Symlinks hängt vom aktiven Backend ab: Die integrierte Engine ignoriert Symlinks, während QMD dem Verhalten des zugrunde liegenden QMD-Scanners folgt. Für die agentenbezogene agentenübergreifende Transkriptsuche verwenden Sie `agents.list[].memorySearch.qmd.extraCollections` statt `memory.qmd.paths`. Diese zusätzlichen Sammlungen verwenden dieselbe Form `{ path, name, pattern? }`, werden aber pro Agent zusammengeführt und können explizite gemeinsame Namen beibehalten, wenn der Pfad außerhalb des aktuellen Arbeitsbereichs liegt. Wenn derselbe aufgelöste Pfad sowohl in `memory.qmd.paths` als auch in `memorySearch.qmd.extraCollections` vorkommt, behält QMD den ersten Eintrag bei und überspringt das Duplikat. --- ## Multimodaler Speicher (Gemini) Indexieren Sie Bilder und Audio neben Markdown mit Gemini Embedding 2: | Schlüssel | Typ | Standard | Beschreibung | | ------------------------ | ---------- | ---------- | ------------------------------------- | | `multimodal.enabled` | `boolean` | `false` | Multimodale Indexierung aktivieren | | `multimodal.modalities` | `string[]` | -- | `["image"]`, `["audio"]` oder `["all"]` | | `multimodal.maxFileBytes` | `number` | `10000000` | Maximale Dateigröße für die Indexierung | Gilt nur für Dateien in `extraPaths`. Standard-Speicherstämme bleiben auf Markdown beschränkt. Erfordert `gemini-embedding-2-preview`. `fallback` muss `"none"` sein. Unterstützte Formate: `.jpg`, `.jpeg`, `.png`, `.webp`, `.gif`, `.heic`, `.heif` (Bilder); `.mp3`, `.wav`, `.ogg`, `.opus`, `.m4a`, `.aac`, `.flac` (Audio). --- ## Embedding-Cache | Schlüssel | Typ | Standard | Beschreibung | | ----------------- | --------- | -------- | ------------------------------------ | | `cache.enabled` | `boolean` | `true` | Chunk-Embeddings in SQLite cachen | | `cache.maxEntries` | `number` | `50000` | Maximale Anzahl gecachter Embeddings | Verhindert das erneute Einbetten unveränderten Texts bei Reindexierung oder Transkriptaktualisierungen. --- ## Batch-Indexierung | Schlüssel | Typ | Standard | Beschreibung | | ---------------------------- | --------- | -------- | ------------------------------- | | `remote.nonBatchConcurrency` | `number` | `4` | Parallele Inline-Embeddings | | `remote.batch.enabled` | `boolean` | `false` | Batch-Embedding-API aktivieren | | `remote.batch.concurrency` | `number` | `2` | Parallele Batch-Jobs | | `remote.batch.wait` | `boolean` | `true` | Auf Batch-Abschluss warten | | `remote.batch.pollIntervalMs` | `number` | -- | Abfrageintervall | | `remote.batch.timeoutMinutes` | `number` | -- | Batch-Timeout | Verfügbar für `openai`, `gemini` und `voyage`. OpenAI-Batch ist für große Backfills in der Regel am schnellsten und günstigsten. `remote.nonBatchConcurrency` steuert Inline-Embedding-Aufrufe, die von lokalen/selbst gehosteten Providern und gehosteten Providern verwendet werden, wenn Provider-Batch-APIs nicht aktiv sind. Ollama verwendet für Nicht-Batch-Indexierung standardmäßig `1`, um kleinere lokale Hosts nicht zu überlasten; legen Sie auf größeren Maschinen einen höheren Wert fest. Dies ist getrennt von `sync.embeddingBatchTimeoutSeconds`, das den Timeout für Inline-Embedding-Aufrufe steuert. --- ## Sitzungsspeichersuche (experimentell) Indexieren Sie Sitzungstranskripte und stellen Sie sie über `memory_search` bereit: | Schlüssel | Typ | Standard | Beschreibung | | ---------------------------- | ---------- | ------------ | ----------------------------------------- | | `experimental.sessionMemory` | `boolean` | `false` | Sitzungsindexierung aktivieren | | `sources` | `string[]` | `["memory"]` | `"sessions"` hinzufügen, um Transkripte einzubeziehen | | `sync.sessions.deltaBytes` | `number` | `100000` | Byte-Schwellenwert für Reindexierung | | `sync.sessions.deltaMessages` | `number` | `50` | Nachrichtenschwellenwert für Reindexierung | Die Sitzungsindexierung ist Opt-in und läuft asynchron. Ergebnisse können leicht veraltet sein. Sitzungslogs liegen auf der Festplatte, behandeln Sie Dateisystemzugriff daher als Vertrauensgrenze. Sitzungstranskript-Treffer beachten ebenfalls [`tools.sessions.visibility`](/de/gateway/config-tools#toolssessions). Die Standard-Sichtbarkeit `tree` legt nur die aktuelle Sitzung und die von ihr gestarteten Sitzungen offen. Um eine unabhängige, vom Gateway ausgelöste Sitzung desselben Agenten aus einer anderen Sitzung, etwa einer DM, abzurufen, erweitern Sie die Sichtbarkeit bewusst auf `agent` (oder nur dann auf `all`, wenn auch agentenübergreifender Abruf erforderlich ist und die Agent-zu-Agent-Richtlinie dies erlaubt). Die folgenden Beispiele platzieren diese Einstellungen unter `agents.defaults`. Sie können äquivalente `memorySearch`-Einstellungen auch in einer agentenspezifischen Überschreibung anwenden, wenn nur ein Agent Sitzungstranskripte indexieren und durchsuchen soll. Für Gateway-zu-DM-Abruf desselben Agenten: ```json5 { agents: { defaults: { memorySearch: { experimental: { sessionMemory: true }, sources: ["memory", "sessions"], }, }, }, tools: { sessions: { visibility: "agent" }, }, } ``` ```json5 { agents: { defaults: { memorySearch: { experimental: { sessionMemory: true }, sources: ["memory", "sessions"], }, }, }, memory: { backend: "qmd", qmd: { sessions: { enabled: true }, }, }, tools: { sessions: { visibility: "agent" }, }, } ``` Bei Verwendung von QMD exportieren `agents.defaults.memorySearch.experimental.sessionMemory` und `sources: ["sessions"]` Transkripte nicht von selbst nach QMD. Setzen Sie zusätzlich `memory.qmd.sessions.enabled: true`. --- ## SQLite-Vektorbeschleunigung (sqlite-vec) | Schlüssel | Typ | Standard | Beschreibung | | ---------------------------- | --------- | --------- | ------------------------------------ | | `store.vector.enabled` | `boolean` | `true` | sqlite-vec für Vektorabfragen nutzen | | `store.vector.extensionPath` | `string` | gebündelt | sqlite-vec-Pfad überschreiben | Wenn sqlite-vec nicht verfügbar ist, fällt OpenClaw automatisch auf prozessinterne Kosinusähnlichkeit zurück. --- ## Indexspeicherung Integrierte Speicherindizes befinden sich in der OpenClaw-SQLite-Datenbank jedes Agenten unter `agents//agent/openclaw-agent.sqlite`. | Schlüssel | Typ | Standard | Beschreibung | | --------------------- | -------- | ----------- | ------------------------------------------- | | `store.fts.tokenizer` | `string` | `unicode61` | FTS5-Tokenizer (`unicode61` oder `trigram`) | --- ## QMD-Backend-Konfiguration Setzen Sie `memory.backend = "qmd"`, um es zu aktivieren. Alle QMD-Einstellungen befinden sich unter `memory.qmd`: | Schlüssel | Typ | Standard | Beschreibung | | ------------------------ | --------- | -------- | ------------------------------------------------------------------------------------------------------ | | `command` | `string` | `qmd` | Pfad zur QMD-Ausführungsdatei; setzen Sie einen absoluten Pfad, wenn der Dienst-`PATH` von Ihrer Shell abweicht | | `searchMode` | `string` | `search` | Suchbefehl: `search`, `vsearch`, `query` | | `rerank` | `boolean` | -- | Mit `searchMode: "query"` und QMD 2.1+ auf `false` setzen, um QMD-Reranking zu überspringen | | `includeDefaultMemory` | `boolean` | `true` | `MEMORY.md` + `memory/**/*.md` automatisch indexieren | | `paths[]` | `array` | -- | Zusätzliche Pfade: `{ name, path, pattern? }` | | `sessions.enabled` | `boolean` | `false` | Sitzungstranskripte nach QMD exportieren | | `sessions.retentionDays` | `number` | -- | Aufbewahrung von Transkripten | | `sessions.exportDir` | `string` | -- | Exportverzeichnis | `searchMode: "search"` ist nur lexikalisch/BM25. OpenClaw führt für diesen Modus keine semantischen Vektor-Bereitschaftsprüfungen und keine QMD-Embedding-Wartung aus, auch nicht während `memory status --deep`; `vsearch` und `query` erfordern weiterhin QMD-Vektorbereitschaft und Embeddings. `rerank: false` ändert nur den QMD-`query`-Modus und erfordert QMD 2.1 oder neuer. Im direkten CLI-Modus übergibt OpenClaw `--no-rerank`; im mcporter-gestützten MCP-Modus übergibt es `rerank: false` an das einheitliche Abfrage-Tool von QMD. Lassen Sie es ungesetzt, um das standardmäßige Query-Reranking-Verhalten von QMD zu verwenden. OpenClaw bevorzugt aktuelle QMD-Collection- und MCP-Abfrageformen, hält ältere QMD-Versionen jedoch funktionsfähig, indem es bei Bedarf kompatible Collection-Pattern-Flags und ältere MCP-Tool-Namen ausprobiert. Wenn QMD Unterstützung für mehrere Collection-Filter ausweist, werden Collections derselben Quelle mit einem QMD-Prozess durchsucht; ältere QMD-Builds behalten den Kompatibilitätspfad pro Collection bei. Dieselbe Quelle bedeutet, dass dauerhafte Memory-Collections gemeinsam gruppiert werden, während Sitzungstranskript-Collections eine separate Gruppe bleiben, sodass die Quellendiversifizierung weiterhin beide Eingaben hat. QMD-Modellüberschreibungen bleiben auf der QMD-Seite, nicht in der OpenClaw-Konfiguration. Wenn Sie die Modelle von QMD global überschreiben müssen, setzen Sie Umgebungsvariablen wie `QMD_EMBED_MODEL`, `QMD_RERANK_MODEL` und `QMD_GENERATE_MODEL` in der Gateway-Laufzeitumgebung. | Schlüssel | Typ | Standard | Beschreibung | | ------------------------- | --------- | ------- | ------------------------------------- | | `update.interval` | `string` | `5m` | Aktualisierungsintervall | | `update.debounceMs` | `number` | `15000` | Dateiänderungen entprellen | | `update.onBoot` | `boolean` | `true` | Aktualisieren, wenn der langlebige QMD-Manager geöffnet wird; auf false setzen, um die sofortige Boot-Aktualisierung zu überspringen | | `update.startup` | `string` | `off` | Optionale QMD-Initialisierung beim Gateway-Start: `off`, `idle` oder `immediate` | | `update.startupDelayMs` | `number` | `120000` | Verzögerung, bevor die Aktualisierung mit `startup: "idle"` ausgeführt wird | | `update.waitForBootSync` | `boolean` | `false` | Öffnen des Managers blockieren, bis seine anfängliche Aktualisierung abgeschlossen ist | | `update.embedInterval` | `string` | -- | Separater Embed-Takt | | `update.commandTimeoutMs` | `number` | -- | Timeout für QMD-Befehle | | `update.updateTimeoutMs` | `number` | -- | Timeout für QMD-Aktualisierungsvorgänge | | `update.embedTimeoutMs` | `number` | -- | Timeout für QMD-Embed-Vorgänge | | Schlüssel | Typ | Standard | Beschreibung | | ------------------------- | -------- | ------- | -------------------------- | | `limits.maxResults` | `number` | `6` | Maximale Suchergebnisse | | `limits.maxSnippetChars` | `number` | -- | Snippet-Länge begrenzen | | `limits.maxInjectedChars` | `number` | -- | Gesamtzahl eingefügter Zeichen begrenzen | | `limits.timeoutMs` | `number` | `4000` | Such-Timeout | Steuert, welche Sitzungen QMD-Suchergebnisse erhalten können. Gleiches Schema wie [`session.sendPolicy`](/de/gateway/config-agents#session): ```json5 { memory: { qmd: { scope: { default: "deny", rules: [{ action: "allow", match: { chatType: "direct" } }], }, }, }, } ``` Der ausgelieferte Standard erlaubt Direkt- und Kanalsitzungen, verweigert Gruppen aber weiterhin. Standardmäßig nur für DMs. `match.keyPrefix` stimmt mit dem normalisierten Sitzungsschlüssel überein; `match.rawKeyPrefix` stimmt mit dem rohen Schlüssel einschließlich `agent::` überein. `memory.citations` gilt für alle Backends: | Wert | Verhalten | | ---------------- | --------------------------------------------------- | | `auto` (Standard) | Fußzeile `Source: ` in Snippets einschließen | | `on` | Fußzeile immer einschließen | | `off` | Fußzeile weglassen (Pfad wird intern weiterhin an den Agenten übergeben) | Wenn die QMD-Initialisierung beim Gateway-Start aktiviert ist, startet OpenClaw QMD nur für berechtigte Agenten. Wenn `update.onBoot` true ist und keine Intervall-/Embed-Wartung konfiguriert ist, verwendet der Start einen einmaligen Manager für die Boot-Aktualisierung und schließt ihn danach. Wenn ein Aktualisierungs- oder Embed-Intervall konfiguriert ist, öffnet der Start den langlebigen QMD-Manager, damit er den Watcher und die Intervall-Timer besitzen kann; `update.onBoot: false` überspringt nur die sofortige Boot-Aktualisierung. ### Vollständiges QMD-Beispiel ```json5 { memory: { backend: "qmd", citations: "auto", qmd: { includeDefaultMemory: true, update: { interval: "5m", debounceMs: 15000 }, limits: { maxResults: 6, timeoutMs: 4000 }, scope: { default: "deny", rules: [{ action: "allow", match: { chatType: "direct" } }], }, paths: [{ name: "docs", path: "~/notes", pattern: "**/*.md" }], }, }, } ``` --- ## Dreaming Dreaming wird unter `plugins.entries.memory-core.config.dreaming` konfiguriert, nicht unter `agents.defaults.memorySearch`. Dreaming wird als ein geplanter Sweep ausgeführt und verwendet interne Light-/Deep-/REM-Phasen als Implementierungsdetail. Konzeptionelles Verhalten und Slash-Befehle finden Sie unter [Dreaming](/de/concepts/dreaming). ### Benutzereinstellungen | Schlüssel | Typ | Standard | Beschreibung | | -------------------------------------- | --------- | ------------- | -------------------------------------------------------------------------------------------------------------------------------- | | `enabled` | `boolean` | `false` | Dreaming vollständig aktivieren oder deaktivieren | | `frequency` | `string` | `0 3 * * *` | Optionaler Cron-Takt für den vollständigen Dreaming-Sweep | | `model` | `string` | Standardmodell | Optionale Modellüberschreibung für den Dream-Diary-Subagent | | `phases.deep.maxPromotedSnippetTokens` | `number` | `160` | Maximal geschätzte Tokens, die aus jedem Kurzzeit-Recall-Snippet beibehalten und in `MEMORY.md` übernommen werden; Herkunftsmetadaten bleiben sichtbar | ### Beispiel ```json5 { plugins: { entries: { "memory-core": { subagent: { allowModelOverride: true, allowedModels: ["anthropic/claude-sonnet-4-6"], }, config: { dreaming: { enabled: true, frequency: "0 3 * * *", model: "anthropic/claude-sonnet-4-6", }, }, }, }, }, } ``` - Dreaming schreibt Maschinenzustand nach `memory/.dreams/`. - Dreaming schreibt menschenlesbare narrative Ausgabe nach `DREAMS.md` (oder in die vorhandene `dreams.md`). - `dreaming.model` verwendet das vorhandene Trust-Gate des Plugin-Subagenten; setzen Sie `plugins.entries.memory-core.subagent.allowModelOverride: true`, bevor Sie es aktivieren. - Dream Diary versucht es einmal mit dem Standardsitzungsmodell erneut, wenn das konfigurierte Modell nicht verfügbar ist. Trust- oder Allowlist-Fehler werden protokolliert und nicht stillschweigend erneut versucht. - Die Richtlinie und Schwellenwerte für die Light-/Deep-/REM-Phasen sind internes Verhalten, keine benutzerseitige Konfiguration. ## Verwandt - [Konfigurationsreferenz](/de/gateway/configuration-reference) - [Speicherübersicht](/de/concepts/memory) - [Speichersuche](/de/concepts/memory-search)