--- read_when: - Quieres configurar proveedores de búsqueda de memoria o modelos de embeddings - Quieres configurar el backend de QMD - Quieres ajustar la búsqueda híbrida, MMR o la decadencia temporal - Quieres habilitar la indexación de memoria multimodal sidebarTitle: Memory config summary: Todos los parámetros de configuración para búsqueda en memoria, proveedores de embeddings, QMD, búsqueda híbrida e indexación multimodal title: Referencia de configuración de memoria x-i18n: generated_at: "2026-06-28T22:33:28Z" model: gpt-5.5 postprocess_version: locale-links-v1 provider: openai source_hash: de7d1c23cd415293001ef59ae2572cd7bfe9a88c70c1e4cf138ee60664ff0ac2 source_path: reference/memory-config.md workflow: 16 --- Esta página enumera cada opción de configuración para la búsqueda de memoria de OpenClaw. Para descripciones conceptuales generales, consulta: Cómo funciona la memoria. Backend SQLite predeterminado. Sidecar local-first. Canalización de búsqueda y ajuste. Subagente de memoria para sesiones interactivas. Todas las opciones de búsqueda de memoria viven bajo `agents.defaults.memorySearch` en `openclaw.json`, salvo que se indique lo contrario. Si buscas el interruptor de la función **Active Memory** y la configuración del subagente, eso vive bajo `plugins.entries.active-memory` en lugar de `memorySearch`. Active Memory usa un modelo de dos puertas: 1. el Plugin debe estar habilitado y apuntar al id del agente actual 2. la solicitud debe ser una sesión de chat interactiva persistente elegible Consulta [Active Memory](/es/concepts/active-memory) para el modelo de activación, la configuración propiedad del Plugin, la persistencia de transcripciones y el patrón de despliegue seguro. --- ## Selección del proveedor | Clave | Tipo | Predeterminado | Descripción | | ---------- | --------- | ----------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `provider` | `string` | `"openai"` | ID de adaptador de embeddings como `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai`, `openai-compatible` o `voyage`; también puede ser un `models.providers.` configurado cuyo `api` apunte a un adaptador de embeddings de memoria o a una API de modelo compatible con OpenAI | | `model` | `string` | predeterminado del proveedor | Nombre del modelo de embeddings | | `fallback` | `string` | `"none"` | ID de adaptador de reserva cuando el principal falla | | `enabled` | `boolean` | `true` | Habilitar o deshabilitar la búsqueda de memoria | Cuando `provider` no está configurado, OpenClaw usa embeddings de OpenAI. Configura `provider` explícitamente para usar Gemini, Voyage, Mistral, DeepInfra, Bedrock, GitHub Copilot, Ollama, un modelo GGUF local o un endpoint `/v1/embeddings` compatible con OpenAI. Las configuraciones heredadas que todavía dicen `provider: "auto"` se resuelven como `openai`. Cambiar el proveedor de embeddings, el modelo, la configuración del proveedor, las fuentes, el alcance, la fragmentación o el tokenizador puede hacer incompatible el índice vectorial SQLite existente. OpenClaw pausa la búsqueda vectorial y notifica una advertencia de identidad del índice en lugar de volver a generar embeddings automáticamente para todo. Reconstrúyelo cuando estés listo con `openclaw memory status --index --agent ` o `openclaw memory index --force --agent `. Cuando `provider` no está definido, está presente el `provider: "auto"` heredado, o `provider: "none"` selecciona intencionadamente el modo solo FTS, la recuperación de memoria todavía puede usar la clasificación FTS léxica cuando los embeddings no están disponibles. Los proveedores explícitos no locales fallan de forma cerrada. Si configuras `memorySearch.provider` con un proveedor concreto respaldado por remoto como OpenAI, Gemini, Voyage, Mistral, Bedrock, GitHub Copilot, DeepInfra, Ollama, LM Studio o un proveedor personalizado compatible con OpenAI, y ese proveedor no está disponible en tiempo de ejecución, `memory_search` devuelve un resultado no disponible en lugar de usar silenciosamente recuperación solo FTS. Corrige la configuración de proveedor/autenticación, cambia a un proveedor alcanzable o configura `provider: "none"` si quieres una recuperación deliberadamente solo FTS. ### IDs de proveedor personalizados `memorySearch.provider` puede apuntar a una entrada personalizada `models.providers.` para adaptadores de proveedor específicos de memoria como `ollama`, o para APIs de modelo compatibles con OpenAI como `openai-responses` / `openai-completions`. OpenClaw resuelve el propietario de `api` de ese proveedor para el adaptador de embeddings, conservando a la vez el ID de proveedor personalizado para el manejo de endpoint, autenticación y prefijo de modelo. Esto permite que las configuraciones multi-GPU o multi-host dediquen los embeddings de memoria a un endpoint local específico: ```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", }, }, }, } ``` ### Resolución de clave de API Los embeddings remotos requieren una clave de API. Bedrock usa en su lugar la cadena de credenciales predeterminada del AWS SDK (roles de instancia, SSO, claves de acceso). | Proveedor | Variable de entorno | Clave de configuración | | -------------- | ------------------------------------------------ | ---------------------------------- | | Bedrock | cadena de credenciales de AWS | No se necesita clave de API | | 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` | Perfil de autenticación mediante inicio de sesión de dispositivo | | Mistral | `MISTRAL_API_KEY` | `models.providers.mistral.apiKey` | | Ollama | `OLLAMA_API_KEY` (marcador de posición) | -- | | OpenAI | `OPENAI_API_KEY` | `models.providers.openai.apiKey` | | Voyage | `VOYAGE_API_KEY` | `models.providers.voyage.apiKey` | Codex OAuth cubre solo chat/completions y no satisface solicitudes de embeddings. --- ## Configuración de endpoint remoto Usa `provider: "openai-compatible"` para un servidor genérico `/v1/embeddings` compatible con OpenAI que no deba heredar las credenciales globales de chat de OpenAI. URL base personalizada de la API. Sobrescribir clave de API. Encabezados HTTP adicionales (combinados con los valores predeterminados del proveedor). ```json5 { agents: { defaults: { memorySearch: { provider: "openai-compatible", model: "text-embedding-3-small", remote: { baseUrl: "https://api.example.com/v1/", apiKey: "YOUR_KEY", }, }, }, }, } ``` --- ## Configuración específica del proveedor | Clave | Tipo | Predeterminado | Descripción | | ---------------------- | -------- | --------------------- | ------------------------------------------ | | `model` | `string` | `gemini-embedding-001` | También admite `gemini-embedding-2-preview` | | `outputDimensionality` | `number` | `3072` | Para Embedding 2: 768, 1536 o 3072 | Cambiar el modelo o `outputDimensionality` cambia la identidad del índice. OpenClaw pausa la búsqueda vectorial hasta que reconstruyas explícitamente el índice de memoria. Los endpoints de embeddings compatibles con OpenAI pueden optar por campos de solicitud `input_type` específicos del proveedor. Esto es útil para modelos de embeddings asimétricos que requieren etiquetas diferentes para embeddings de consulta y de documento. | Clave | Tipo | Predeterminado | Descripción | | ------------------- | -------- | -------------- | ------------------------------------------------------- | | `inputType` | `string` | sin definir | `input_type` compartido para embeddings de consulta y documento | | `queryInputType` | `string` | sin definir | `input_type` en tiempo de consulta; sobrescribe `inputType` | | `documentInputType` | `string` | sin definir | `input_type` de índice/documento; sobrescribe `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", }, }, }, } ``` Cambiar estos valores afecta a la identidad de caché de embeddings para la indexación por lotes del proveedor y debe ir seguido de una reindexación de memoria cuando el modelo upstream trate las etiquetas de forma diferente. ### Configuración de embeddings de Bedrock Bedrock usa la cadena de credenciales predeterminada del AWS SDK; no se necesitan claves de API. Si OpenClaw se ejecuta en EC2 con un rol de instancia habilitado para Bedrock, solo configura el proveedor y el modelo: ```json5 { agents: { defaults: { memorySearch: { provider: "bedrock", model: "amazon.titan-embed-text-v2:0", }, }, }, } ``` | Clave | Tipo | Predeterminado | Descripción | | ---------------------- | -------- | ------------------------------ | ------------------------------- | | `model` | `string` | `amazon.titan-embed-text-v2:0` | Cualquier ID de modelo de embeddings de Bedrock | | `outputDimensionality` | `number` | predeterminado del modelo | Para Titan V2: 256, 512 o 1024 | **Modelos admitidos** (con detección de familia y valores predeterminados de dimensión): | ID de modelo | Provider | Dimensiones predeterminadas | Dimensiones configurables | | ------------------------------------------ | ---------- | ------------ | -------------------- | | `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 | -- | Las variantes con sufijo de rendimiento (por ejemplo, `amazon.titan-embed-text-v1:2:8k`) heredan la configuración del modelo base. **Autenticación:** la autenticación de Bedrock usa el orden estándar de resolución de credenciales del SDK de AWS: 1. Variables de entorno (`AWS_ACCESS_KEY_ID` + `AWS_SECRET_ACCESS_KEY`) 2. Caché de tokens SSO 3. Credenciales de token de identidad web 4. Archivos compartidos de credenciales y configuración 5. Credenciales de metadatos de ECS o EC2 La región se resuelve desde `AWS_REGION`, `AWS_DEFAULT_REGION`, el `baseUrl` del Provider `amazon-bedrock`, o usa `us-east-1` de forma predeterminada. **Permisos de IAM:** el rol o usuario de IAM necesita: ```json { "Effect": "Allow", "Action": "bedrock:InvokeModel", "Resource": "*" } ``` Para aplicar privilegios mínimos, limite `InvokeModel` al modelo específico: ``` arn:aws:bedrock:*::foundation-model/amazon.titan-embed-text-v2:0 ``` | Clave | Tipo | Predeterminado | Descripción | | --------------------- | ------------------ | ---------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `local.modelPath` | `string` | descargado automáticamente | Ruta al archivo de modelo GGUF | | `local.modelCacheDir` | `string` | predeterminado de node-llama-cpp | Directorio de caché para los modelos descargados | | `local.contextSize` | `number \| "auto"` | `4096` | Tamaño de la ventana de contexto para el contexto de embeddings. 4096 cubre fragmentos típicos (128-512 tokens) mientras limita la VRAM no correspondiente a pesos. Redúzcalo a 1024-2048 en hosts con recursos limitados. `"auto"` usa el máximo entrenado del modelo; no se recomienda para modelos de 8B o más (Qwen3-Embedding-8B: 40 960 tokens -> ~32 GB de VRAM frente a ~8.8 GB con 4096). | Instale primero el Provider oficial de llama.cpp: `openclaw plugins install @openclaw/llama-cpp-provider`. Modelo predeterminado: `embeddinggemma-300m-qat-Q8_0.gguf` (~0.6 GB, descargado automáticamente). Los checkouts de código fuente aún requieren aprobación de compilación nativa: `pnpm approve-builds` y luego `pnpm rebuild node-llama-cpp`. Use la CLI independiente para verificar la misma ruta del Provider que usa el Gateway: ```bash openclaw memory status --deep --agent main openclaw memory index --force --agent main ``` Establezca `provider: "local"` explícitamente para embeddings GGUF locales. Las referencias de modelo `hf:` y HTTP(S) son compatibles con configuraciones locales explícitas, pero no cambian el Provider predeterminado. ### Tiempo de espera de embeddings en línea Anula el tiempo de espera para lotes de embeddings en línea durante la indexación de memoria. Si no se establece, usa el valor predeterminado del Provider: 600 segundos para Providers locales/autohospedados como `local`, `ollama` y `lmstudio`, y 120 segundos para Providers alojados. Aumente este valor cuando los lotes de embeddings locales limitados por CPU estén saludables pero sean lentos. --- ## Configuración de búsqueda híbrida Todo bajo `memorySearch.query.hybrid`: | Clave | Tipo | Predeterminado | Descripción | | --------------------- | --------- | ------- | ---------------------------------- | | `enabled` | `boolean` | `true` | Habilitar búsqueda híbrida BM25 + vectorial | | `vectorWeight` | `number` | `0.7` | Peso para las puntuaciones vectoriales (0-1) | | `textWeight` | `number` | `0.3` | Peso para las puntuaciones BM25 (0-1) | | `candidateMultiplier` | `number` | `4` | Multiplicador del tamaño del conjunto de candidatos | | Clave | Tipo | Predeterminado | Descripción | | ------------- | --------- | ------- | ------------------------------------ | | `mmr.enabled` | `boolean` | `false` | Habilitar reordenación MMR | | `mmr.lambda` | `number` | `0.7` | 0 = diversidad máxima, 1 = relevancia máxima | | Clave | Tipo | Predeterminado | Descripción | | ---------------------------- | --------- | ------- | ------------------------- | | `temporalDecay.enabled` | `boolean` | `false` | Habilitar aumento por recencia | | `temporalDecay.halfLifeDays` | `number` | `30` | La puntuación se reduce a la mitad cada N días | Los archivos permanentes (`MEMORY.md`, archivos sin fecha en `memory/`) nunca decaen. ### Ejemplo completo ```json5 { agents: { defaults: { memorySearch: { query: { hybrid: { vectorWeight: 0.7, textWeight: 0.3, mmr: { enabled: true, lambda: 0.7 }, temporalDecay: { enabled: true, halfLifeDays: 30 }, }, }, }, }, }, } ``` --- ## Rutas de memoria adicionales | Clave | Tipo | Descripción | | ------------ | ---------- | ------------------------------------------------ | | `extraPaths` | `string[]` | Directorios o archivos adicionales para indexar | ```json5 { agents: { defaults: { memorySearch: { extraPaths: ["../team-docs", "/srv/shared-notes"], }, }, }, } ``` Las rutas pueden ser absolutas o relativas al espacio de trabajo. Los directorios se analizan de forma recursiva en busca de archivos `.md`. El manejo de enlaces simbólicos depende del backend activo: el motor integrado ignora los enlaces simbólicos, mientras que QMD sigue el comportamiento del escáner QMD subyacente. Para la búsqueda de transcripciones entre agentes con alcance de agente, usa `agents.list[].memorySearch.qmd.extraCollections` en lugar de `memory.qmd.paths`. Esas colecciones adicionales siguen la misma forma `{ path, name, pattern? }`, pero se combinan por agente y pueden preservar nombres compartidos explícitos cuando la ruta apunta fuera del espacio de trabajo actual. Si la misma ruta resuelta aparece tanto en `memory.qmd.paths` como en `memorySearch.qmd.extraCollections`, QMD conserva la primera entrada y omite el duplicado. --- ## Memoria multimodal (Gemini) Indexa imágenes y audio junto con Markdown usando Gemini Embedding 2: | Clave | Tipo | Predeterminado | Descripción | | ------------------------- | ---------- | -------------- | ---------------------------------------------- | | `multimodal.enabled` | `boolean` | `false` | Habilitar la indexación multimodal | | `multimodal.modalities` | `string[]` | -- | `["image"]`, `["audio"]` o `["all"]` | | `multimodal.maxFileBytes` | `number` | `10000000` | Tamaño máximo de archivo para la indexación | Solo se aplica a archivos en `extraPaths`. Las raíces de memoria predeterminadas siguen siendo solo Markdown. Requiere `gemini-embedding-2-preview`. `fallback` debe ser `"none"`. Formatos compatibles: `.jpg`, `.jpeg`, `.png`, `.webp`, `.gif`, `.heic`, `.heif` (imágenes); `.mp3`, `.wav`, `.ogg`, `.opus`, `.m4a`, `.aac`, `.flac` (audio). --- ## Caché de embeddings | Clave | Tipo | Predeterminado | Descripción | | ------------------ | --------- | -------------- | ---------------------------------------- | | `cache.enabled` | `boolean` | `true` | Guardar embeddings de fragmentos en SQLite | | `cache.maxEntries` | `number` | `50000` | Máximo de embeddings en caché | Evita volver a generar embeddings de texto sin cambios durante la reindexación o las actualizaciones de transcripciones. --- ## Indexación por lotes | Clave | Tipo | Predeterminado | Descripción | | ----------------------------- | --------- | -------------- | ---------------------------------------- | | `remote.nonBatchConcurrency` | `number` | `4` | Embeddings en línea paralelos | | `remote.batch.enabled` | `boolean` | `false` | Habilitar la API de embeddings por lotes | | `remote.batch.concurrency` | `number` | `2` | Trabajos por lotes paralelos | | `remote.batch.wait` | `boolean` | `true` | Esperar la finalización del lote | | `remote.batch.pollIntervalMs` | `number` | -- | Intervalo de sondeo | | `remote.batch.timeoutMinutes` | `number` | -- | Tiempo de espera del lote | Disponible para `openai`, `gemini` y `voyage`. Los lotes de OpenAI suelen ser la opción más rápida y económica para grandes cargas iniciales. `remote.nonBatchConcurrency` controla las llamadas de embeddings en línea usadas por proveedores locales/autohospedados y proveedores alojados cuando las API de lotes del proveedor no están activas. Ollama usa de forma predeterminada `1` para la indexación sin lotes para evitar sobrecargar hosts locales más pequeños; establece un valor más alto en máquinas más grandes. Esto es independiente de `sync.embeddingBatchTimeoutSeconds`, que controla el tiempo de espera de las llamadas de embeddings en línea. --- ## Búsqueda de memoria de sesión (experimental) Indexa transcripciones de sesiones y muéstralas mediante `memory_search`: | Clave | Tipo | Predeterminado | Descripción | | ----------------------------- | ---------- | -------------- | -------------------------------------------- | | `experimental.sessionMemory` | `boolean` | `false` | Habilitar la indexación de sesiones | | `sources` | `string[]` | `["memory"]` | Agregar `"sessions"` para incluir transcripciones | | `sync.sessions.deltaBytes` | `number` | `100000` | Umbral de bytes para reindexar | | `sync.sessions.deltaMessages` | `number` | `50` | Umbral de mensajes para reindexar | La indexación de sesiones es opcional y se ejecuta de forma asíncrona. Los resultados pueden estar ligeramente desactualizados. Los registros de sesión residen en disco, así que trata el acceso al sistema de archivos como el límite de confianza. Las coincidencias de transcripciones de sesión también obedecen [`tools.sessions.visibility`](/es/gateway/config-tools#toolssessions). La visibilidad predeterminada `tree` solo expone la sesión actual y las sesiones que esta inició. Para recuperar desde una sesión diferente, como un DM, una sesión no relacionada despachada por el Gateway del mismo agente, amplía intencionalmente la visibilidad a `agent` (o a `all` solo cuando también se requiere recuperación entre agentes y la política entre agentes lo permite). Los ejemplos siguientes colocan estos ajustes bajo `agents.defaults`. También puedes aplicar ajustes equivalentes de `memorySearch` en una anulación por agente cuando solo un agente deba indexar y buscar transcripciones de sesión. Para recuperación Gateway-a-DM del mismo agente: ```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" }, }, } ``` Al usar QMD, `agents.defaults.memorySearch.experimental.sessionMemory` y `sources: ["sessions"]` no exportan por sí solos las transcripciones a QMD. Configura también `memory.qmd.sessions.enabled: true`. --- ## Aceleración vectorial de SQLite (sqlite-vec) | Clave | Tipo | Predeterminado | Descripción | | ---------------------------- | --------- | -------------- | --------------------------------------- | | `store.vector.enabled` | `boolean` | `true` | Usa sqlite-vec para consultas vectoriales | | `store.vector.extensionPath` | `string` | incluido | Anula la ruta de sqlite-vec | Cuando sqlite-vec no está disponible, OpenClaw recurre automáticamente a la similitud coseno en proceso. --- ## Almacenamiento de índices Los índices de memoria integrados residen en la base de datos SQLite de OpenClaw de cada agente en `agents//agent/openclaw-agent.sqlite`. | Clave | Tipo | Predeterminado | Descripción | | --------------------- | -------- | -------------- | ----------------------------------------- | | `store.fts.tokenizer` | `string` | `unicode61` | Tokenizador FTS5 (`unicode61` o `trigram`) | --- ## Configuración del backend QMD Configura `memory.backend = "qmd"` para habilitarlo. Todos los ajustes de QMD residen bajo `memory.qmd`: | Clave | Tipo | Predeterminado | Descripción | | ------------------------ | --------- | -------------- | -------------------------------------------------------------------------------------------- | | `command` | `string` | `qmd` | Ruta del ejecutable de QMD; configura una ruta absoluta cuando el `PATH` del servicio difiera del de tu shell | | `searchMode` | `string` | `search` | Comando de búsqueda: `search`, `vsearch`, `query` | | `rerank` | `boolean` | -- | Configúralo en `false` con `searchMode: "query"` y QMD 2.1+ para omitir el reordenamiento de QMD | | `includeDefaultMemory` | `boolean` | `true` | Indexa automáticamente `MEMORY.md` + `memory/**/*.md` | | `paths[]` | `array` | -- | Rutas adicionales: `{ name, path, pattern? }` | | `sessions.enabled` | `boolean` | `false` | Exporta transcripciones de sesión a QMD | | `sessions.retentionDays` | `number` | -- | Retención de transcripciones | | `sessions.exportDir` | `string` | -- | Directorio de exportación | `searchMode: "search"` es solo léxico/BM25. OpenClaw no ejecuta pruebas de preparación vectorial semántica ni mantenimiento de embeddings de QMD para ese modo, incluso durante `memory status --deep`; `vsearch` y `query` siguen requiriendo preparación vectorial y embeddings de QMD. `rerank: false` solo cambia el modo `query` de QMD y requiere QMD 2.1 o una versión más reciente. En modo CLI directo, OpenClaw pasa `--no-rerank`; en modo MCP respaldado por mcporter, pasa `rerank: false` a la herramienta de consulta unificada de QMD. Déjalo sin configurar para usar el comportamiento predeterminado de reordenamiento de consultas de QMD. OpenClaw prefiere las formas actuales de colección de QMD y consulta MCP, pero mantiene funcionando versiones anteriores de QMD intentando flags compatibles de patrón de colección y nombres de herramientas MCP antiguos cuando sea necesario. Cuando QMD anuncia compatibilidad con múltiples filtros de colección, las colecciones de la misma fuente se buscan con un único proceso de QMD; las compilaciones anteriores de QMD mantienen la ruta de compatibilidad por colección. Misma fuente significa que las colecciones de memoria duradera se agrupan juntas, mientras que las colecciones de transcripciones de sesión permanecen como un grupo separado para que la diversificación de fuentes siga teniendo ambas entradas. Las anulaciones de modelo de QMD permanecen del lado de QMD, no en la configuración de OpenClaw. Si necesitas anular globalmente los modelos de QMD, configura variables de entorno como `QMD_EMBED_MODEL`, `QMD_RERANK_MODEL` y `QMD_GENERATE_MODEL` en el entorno de ejecución del Gateway. | Clave | Tipo | Predeterminado | Descripción | | ------------------------- | --------- | -------------- | ------------------------------------- | | `update.interval` | `string` | `5m` | Intervalo de actualización | | `update.debounceMs` | `number` | `15000` | Aplicar debounce a los cambios de archivos | | `update.onBoot` | `boolean` | `true` | Actualizar cuando se abre el administrador QMD de larga duración; establece false para omitir la actualización inmediata de arranque | | `update.startup` | `string` | `off` | Inicialización opcional de QMD al iniciar el Gateway: `off`, `idle` o `immediate` | | `update.startupDelayMs` | `number` | `120000` | Retraso antes de que se ejecute la actualización de `startup: "idle"` | | `update.waitForBootSync` | `boolean` | `false` | Bloquear la apertura del administrador hasta que se complete su actualización inicial | | `update.embedInterval` | `string` | -- | Cadencia de incrustación separada | | `update.commandTimeoutMs` | `number` | -- | Tiempo de espera para comandos QMD | | `update.updateTimeoutMs` | `number` | -- | Tiempo de espera para operaciones de actualización QMD | | `update.embedTimeoutMs` | `number` | -- | Tiempo de espera para operaciones de incrustación QMD | | Clave | Tipo | Predeterminado | Descripción | | ------------------------- | -------- | -------------- | -------------------------- | | `limits.maxResults` | `number` | `6` | Resultados máximos de búsqueda | | `limits.maxSnippetChars` | `number` | -- | Limitar la longitud del fragmento | | `limits.maxInjectedChars` | `number` | -- | Limitar el total de caracteres inyectados | | `limits.timeoutMs` | `number` | `4000` | Tiempo de espera de búsqueda | Controla qué sesiones pueden recibir resultados de búsqueda QMD. El mismo esquema que [`session.sendPolicy`](/es/gateway/config-agents#session): ```json5 { memory: { qmd: { scope: { default: "deny", rules: [{ action: "allow", match: { chatType: "direct" } }], }, }, }, } ``` El valor predeterminado incluido permite sesiones directas y de canal, mientras sigue denegando los grupos. El valor predeterminado es solo DM. `match.keyPrefix` coincide con la clave de sesión normalizada; `match.rawKeyPrefix` coincide con la clave sin procesar, incluido `agent::`. `memory.citations` se aplica a todos los backends: | Valor | Comportamiento | | ---------------- | -------------------------------------------------- | | `auto` (predeterminado) | Incluir el pie `Source: ` en los fragmentos | | `on` | Incluir siempre el pie | | `off` | Omitir el pie (la ruta se sigue pasando internamente al agente) | Cuando la inicialización de QMD al iniciar el Gateway está habilitada, OpenClaw inicia QMD solo para los agentes elegibles. Si `update.onBoot` es true y no se configuró mantenimiento de intervalos/incrustación, el inicio usa un administrador de una sola ejecución para la actualización de arranque y lo cierra. Si se configura un intervalo de actualización o incrustación, el inicio abre el administrador QMD de larga duración para que pueda controlar el observador y los temporizadores de intervalo; `update.onBoot: false` omite solo la actualización inmediata de arranque. ### Ejemplo completo de QMD ```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 se configura en `plugins.entries.memory-core.config.dreaming`, no en `agents.defaults.memorySearch`. Dreaming se ejecuta como un barrido programado único y usa fases internas ligera/profunda/REM como detalle de implementación. Para el comportamiento conceptual y los comandos slash, consulta [Dreaming](/es/concepts/dreaming). ### Configuración de usuario | Clave | Tipo | Predeterminado | Descripción | | -------------------------------------- | --------- | -------------- | -------------------------------------------------------------------------------------------------------------------------------- | | `enabled` | `boolean` | `false` | Habilitar o deshabilitar Dreaming por completo | | `frequency` | `string` | `0 3 * * *` | Cadencia cron opcional para el barrido completo de Dreaming | | `model` | `string` | modelo predeterminado | Anulación opcional del modelo del subagente del diario de sueños | | `phases.deep.maxPromotedSnippetTokens` | `number` | `160` | Tokens estimados máximos conservados de cada fragmento de recuerdo a corto plazo promovido a `MEMORY.md`; los metadatos de procedencia permanecen visibles | ### Ejemplo ```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 escribe estado de máquina en `memory/.dreams/`. - Dreaming escribe salida narrativa legible por humanos en `DREAMS.md` (o en el `dreams.md` existente). - `dreaming.model` usa la puerta de confianza del subagente del plugin existente; establece `plugins.entries.memory-core.subagent.allowModelOverride: true` antes de habilitarlo. - El diario de sueños reintenta una vez con el modelo predeterminado de la sesión cuando el modelo configurado no está disponible. Los errores de confianza o de lista de permitidos se registran y no se reintentan silenciosamente. - La política y los umbrales de las fases ligera/profunda/REM son comportamiento interno, no configuración orientada al usuario. ## Relacionado - [Referencia de configuración](/es/gateway/configuration-reference) - [Descripción general de la memoria](/es/concepts/memory) - [Búsqueda de memoria](/es/concepts/memory-search)