--- read_when: - Quieres entender cómo funciona memory_search - Quieres elegir un proveedor de embeddings - Quieres ajustar la calidad de búsqueda summary: Cómo la búsqueda en memoria encuentra notas relevantes usando embeddings y recuperación híbrida title: Búsqueda en memoria x-i18n: generated_at: "2026-06-28T22:33:16Z" model: gpt-5.5 postprocess_version: locale-links-v1 provider: openai source_hash: 32ffb9d996851566eb92b7812c5425f545ecbb5387a0a445686df35a6c8ae143 source_path: concepts/memory-search.md workflow: 16 --- `memory_search` encuentra notas relevantes en tus archivos de memoria, incluso cuando la redacción difiere del texto original. Funciona indexando la memoria en pequeños fragmentos y buscándolos mediante embeddings, palabras clave o ambas cosas. ## Inicio rápido La búsqueda de memoria usa embeddings de OpenAI de forma predeterminada. Para usar otro backend de embeddings, establece un proveedor explícitamente: ```json5 { agents: { defaults: { memorySearch: { provider: "openai", // or "gemini", "local", "ollama", "openai-compatible", etc. }, }, }, } ``` Para configuraciones con varios endpoints y proveedores específicos de memoria, `provider` también puede ser una entrada personalizada `models.providers.`, como `ollama-5080`, cuando ese proveedor establece `api: "ollama"` u otro propietario de adaptador de embeddings de memoria. Para embeddings locales sin clave de API, instala `@openclaw/llama-cpp-provider` y establece `provider: "local"`. Los checkouts de código fuente aún pueden requerir aprobación de compilación nativa: `pnpm approve-builds` y luego `pnpm rebuild node-llama-cpp`. Algunos endpoints de embeddings compatibles con OpenAI requieren etiquetas asimétricas como `input_type: "query"` para búsquedas y `input_type: "document"` o `"passage"` para fragmentos indexados. Configúralas con `memorySearch.queryInputType` y `memorySearch.documentInputType`; consulta la [referencia de configuración de memoria](/es/reference/memory-config#provider-specific-config). ## Proveedores compatibles | Proveedor | ID | Necesita clave de API | Notas | | ----------------- | ------------------- | --------------------- | -------------------------------------- | | Bedrock | `bedrock` | No | Usa la cadena de credenciales de AWS | | DeepInfra | `deepinfra` | Sí | Predeterminado: `BAAI/bge-m3` | | Gemini | `gemini` | Sí | Admite indexación de imágenes/audio | | GitHub Copilot | `github-copilot` | No | Usa la suscripción de Copilot | | Local | `local` | No | Modelo GGUF, descarga de ~0,6 GB | | Mistral | `mistral` | Sí | | | Ollama | `ollama` | No | Local/autohospedado | | OpenAI | `openai` | Sí | Predeterminado | | OpenAI-compatible | `openai-compatible` | Normalmente | `/v1/embeddings` genérico | | Voyage | `voyage` | Sí | | ## Cómo funciona la búsqueda OpenClaw ejecuta dos rutas de recuperación en paralelo y fusiona los resultados: ```mermaid flowchart LR Q["Query"] --> E["Embedding"] Q --> T["Tokenize"] E --> VS["Vector Search"] T --> BM["BM25 Search"] VS --> M["Weighted Merge"] BM --> M M --> R["Top Results"] ``` - **Búsqueda vectorial** encuentra notas con significado similar ("gateway host" coincide con "the machine running OpenClaw"). - **Búsqueda de palabras clave BM25** encuentra coincidencias exactas (ID, cadenas de error, claves de configuración). Si solo hay una ruta disponible, la otra se ejecuta sola. El modo intencional solo FTS (`provider: "none"`) y la selección automática/predeterminada del proveedor aún pueden usar clasificación léxica cuando los embeddings no están disponibles. Los proveedores explícitos de embeddings no locales son diferentes. Si estableces `memorySearch.provider` en un proveedor concreto respaldado por remoto y ese proveedor no está disponible en tiempo de ejecución, `memory_search` informa que la memoria no está disponible en lugar de usar silenciosamente resultados solo FTS. Esto mantiene visible un proveedor semántico configurado que está roto. Establece `provider: "none"` para recuperación deliberada solo FTS, o corrige la configuración del proveedor/autenticación para restaurar la clasificación semántica. ## Mejorar la calidad de búsqueda Dos funciones opcionales ayudan cuando tienes un historial grande de notas: ### Decaimiento temporal Las notas antiguas pierden gradualmente peso en la clasificación para que la información reciente aparezca primero. Con la semivida predeterminada de 30 días, una nota del mes pasado puntúa al 50 % de su peso original. Los archivos permanentes como `MEMORY.md` nunca decaen. Activa el decaimiento temporal si tu agente tiene meses de notas diarias y la información obsoleta sigue superando al contexto reciente. ### MMR (diversidad) Reduce los resultados redundantes. Si cinco notas mencionan todas la misma configuración de router, MMR asegura que los resultados principales cubran temas distintos en lugar de repetirse. Activa MMR si `memory_search` sigue devolviendo fragmentos casi duplicados de diferentes notas diarias. ### Activar ambos ```json5 { agents: { defaults: { memorySearch: { query: { hybrid: { mmr: { enabled: true }, temporalDecay: { enabled: true }, }, }, }, }, }, } ``` ## Memoria multimodal Con Gemini Embedding 2, puedes indexar imágenes y archivos de audio junto con Markdown. Las consultas de búsqueda siguen siendo texto, pero coinciden con contenido visual y de audio. Consulta la [referencia de configuración de memoria](/es/reference/memory-config) para la configuración. ## Búsqueda de memoria de sesión Opcionalmente, puedes indexar transcripciones de sesión para que `memory_search` pueda recordar conversaciones anteriores. Esto es opcional mediante `memorySearch.experimental.sessionMemory` y `sources: ["sessions"]`; la lista de fuentes predeterminada solo incluye memoria. La bandera experimental habilita la indexación de transcripciones de sesión, mientras que `sources` controla si se buscan fragmentos de sesión. Las coincidencias de sesión obedecen `tools.sessions.visibility`: la configuración predeterminada `tree` solo expone la sesión actual y las sesiones que generó. Para recordar una sesión no relacionada del mismo agente despachada por Gateway desde una sesión de DM separada, amplía intencionalmente la visibilidad a `agent`. Al usar QMD, también establece `memory.qmd.sessions.enabled: true` para que las transcripciones se exporten a una colección QMD. Consulta la [referencia de configuración](/es/reference/memory-config) para obtener detalles. ## Solución de problemas **¿Sin resultados?** Ejecuta `openclaw memory status` para comprobar el índice. Si está vacío, ejecuta `openclaw memory index --force`. **¿Solo coincidencias de palabras clave?** Puede que tu proveedor de embeddings no esté configurado. Comprueba `openclaw memory status --deep`. **¿Los embeddings locales agotan el tiempo de espera?** `ollama`, `lmstudio` y `local` usan un tiempo de espera de lote en línea más largo de forma predeterminada. Si el host simplemente es lento, establece `agents.defaults.memorySearch.sync.embeddingBatchTimeoutSeconds` y vuelve a ejecutar `openclaw memory index --force`. **¿No se encuentra texto CJK?** Reconstruye el índice FTS con `openclaw memory index --force`. ## Lecturas adicionales - [Active Memory](/es/concepts/active-memory) -- memoria de subagente para sesiones de chat interactivas - [Memoria](/es/concepts/memory) -- disposición de archivos, backends, herramientas - [Referencia de configuración de memoria](/es/reference/memory-config) -- todos los controles de configuración ## Relacionado - [Resumen de memoria](/es/concepts/memory) - [Active Memory](/es/concepts/active-memory) - [Motor de memoria integrado](/es/concepts/memory-builtin)