--- read_when: - Quieres entender el backend de memoria predeterminado - Quieres configurar proveedores de embeddings o búsqueda híbrida summary: El backend de memoria predeterminado basado en SQLite con búsqueda por palabras clave, vectorial e híbrida title: Motor de memoria integrado x-i18n: generated_at: "2026-06-27T11:12:27Z" model: gpt-5.5 postprocess_version: locale-links-v1 provider: openai source_hash: a867bd295778f81109b258a63a35a1683d652d4564e44335053af4d86f90584e source_path: concepts/memory-builtin.md workflow: 16 --- El motor integrado es el backend de memoria predeterminado. Almacena tu índice de memoria en una base de datos SQLite por agente y no necesita dependencias adicionales para empezar. ## Qué proporciona - **Búsqueda por palabras clave** mediante indexación de texto completo FTS5 (puntuación BM25). - **Búsqueda vectorial** mediante embeddings de cualquier proveedor compatible. - **Búsqueda híbrida** que combina ambas para obtener los mejores resultados. - **Compatibilidad con CJK** mediante tokenización por trigramas para chino, japonés y coreano. - **Aceleración con sqlite-vec** para consultas vectoriales dentro de la base de datos (opcional). ## Primeros pasos De forma predeterminada, el motor integrado usa embeddings de OpenAI. Si ya tienes `OPENAI_API_KEY` o `models.providers.openai.apiKey` configurado, la búsqueda vectorial funciona sin configuración de memoria adicional. Para definir un proveedor explícitamente: ```json5 { agents: { defaults: { memorySearch: { provider: "openai", }, }, }, } ``` Sin un proveedor de embeddings, solo está disponible la búsqueda por palabras clave. Para forzar embeddings GGUF locales, instala el Plugin oficial de proveedor llama.cpp, y luego apunta `local.modelPath` a un archivo GGUF: ```bash openclaw plugins install @openclaw/llama-cpp-provider ``` ```json5 { agents: { defaults: { memorySearch: { provider: "local", fallback: "none", local: { modelPath: "~/.node-llama-cpp/models/embeddinggemma-300m-qat-Q8_0.gguf", }, }, }, }, } ``` ## Proveedores de embeddings compatibles | Proveedor | ID | Notas | | ----------------- | ------------------- | ------------------------------------------ | | Bedrock | `bedrock` | Usa la cadena de credenciales de AWS | | DeepInfra | `deepinfra` | Predeterminado: `BAAI/bge-m3` | | Gemini | `gemini` | Admite multimodal (imagen + audio) | | GitHub Copilot | `github-copilot` | Usa la suscripción de Copilot | | Local | `local` | `@openclaw/llama-cpp-provider` | | Mistral | `mistral` | | | Ollama | `ollama` | Local/autohospedado | | OpenAI | `openai` | Predeterminado: `text-embedding-3-small` | | Compatible con OpenAI | `openai-compatible` | Endpoint genérico `/v1/embeddings` | | Voyage | `voyage` | | Define `memorySearch.provider` para cambiar desde OpenAI. ## Cómo funciona la indexación OpenClaw indexa `MEMORY.md` y `memory/*.md` en fragmentos (~400 tokens con 80 tokens de solapamiento) y los almacena en una base de datos SQLite por agente. - **Ubicación del índice:** la base de datos del agente propietario en `~/.openclaw/agents//agent/openclaw-agent.sqlite` - **Mantenimiento de almacenamiento:** los sidecars WAL de SQLite se acotan con checkpoints periódicos y al apagar. - **Vigilancia de archivos:** los cambios en archivos de memoria activan una reindexación con debounce (1,5 s). - **Reindexación automática:** cuando cambia el proveedor de embeddings, el modelo o la configuración de fragmentación, todo el índice se reconstruye automáticamente. - **Reindexación bajo demanda:** `openclaw memory index --force` También puedes indexar archivos Markdown fuera del espacio de trabajo con `memorySearch.extraPaths`. Consulta la [referencia de configuración](/es/reference/memory-config#additional-memory-paths). ## Cuándo usarlo El motor integrado es la opción adecuada para la mayoría de los usuarios: - Funciona desde el primer momento sin dependencias adicionales. - Maneja bien la búsqueda por palabras clave y vectorial. - Admite todos los proveedores de embeddings. - La búsqueda híbrida combina lo mejor de ambos enfoques de recuperación. Considera cambiar a [QMD](/es/concepts/memory-qmd) si necesitas reranking, expansión de consultas o quieres indexar directorios fuera del espacio de trabajo. Considera [Honcho](/es/concepts/memory-honcho) si quieres memoria entre sesiones con modelado automático del usuario. ## Solución de problemas **¿La búsqueda de memoria está deshabilitada?** Revisa `openclaw memory status`. Si no se detecta ningún proveedor, define uno explícitamente o añade una clave de API. **¿No se detecta el proveedor local?** Confirma que la ruta local existe y ejecuta: ```bash openclaw memory status --deep --agent main openclaw memory index --force --agent main ``` Tanto los comandos CLI independientes como el Gateway usan el mismo id de proveedor `local`. Define `memorySearch.provider: "local"` cuando quieras embeddings locales. **¿Resultados obsoletos?** Ejecuta `openclaw memory index --force` para reconstruir. El vigilante puede perder cambios en casos límite poco frecuentes. **¿sqlite-vec no se carga?** OpenClaw recurre automáticamente a la similitud coseno en proceso. `openclaw memory status --deep` informa del almacén vectorial local por separado del proveedor de embeddings, por lo que `Vector store: unavailable` apunta a la carga de sqlite-vec, mientras que `Embeddings: unavailable` apunta al proveedor/autenticación o a la preparación del modelo. Revisa los registros para ver el error de carga específico. ## Configuración Para configurar el proveedor de embeddings, ajustar la búsqueda híbrida (pesos, MMR, decaimiento temporal), indexación por lotes, memoria multimodal, sqlite-vec, rutas adicionales y todos los demás controles de configuración, consulta la [referencia de configuración de memoria](/es/reference/memory-config). ## Relacionado - [Descripción general de la memoria](/es/concepts/memory) - [Búsqueda de memoria](/es/concepts/memory-search) - [Active Memory](/es/concepts/active-memory)