Referensi konfigurasi memori

Halaman ini mencantumkan setiap pengaturan konfigurasi untuk pencarian memori OpenClaw. Untuk ikhtisar konseptual, lihat:

Ikhtisar memori

Cara kerja memori.

Mesin bawaan

Backend SQLite default.

Mesin QMD

Sidecar yang mengutamakan lokal.

Pencarian memori

Pipeline pencarian dan penyetelan.

Active Memory

Sub-agen memori untuk sesi interaktif.

Semua pengaturan pencarian memori berada di bawah agents.defaults.memorySearch dalam openclaw.json kecuali dinyatakan lain.

Jika Anda mencari toggle fitur Active Memory dan konfigurasi sub-agen, itu berada di bawah plugins.entries.active-memory, bukan memorySearch.Active Memory menggunakan model dua gerbang:

Plugin harus diaktifkan dan menargetkan id agen saat ini
Permintaan harus berupa sesi obrolan persisten interaktif yang memenuhi syarat

Lihat Active Memory untuk model aktivasi, konfigurasi milik Plugin, persistensi transkrip, dan pola rollout yang aman.

Pemilihan penyedia

Kunci	Tipe	Default	Deskripsi
`provider`	`string`	terdeteksi otomatis	ID adaptor embedding seperti `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai`, atau `voyage`; juga dapat berupa `models.providers.<id>` yang dikonfigurasi dengan `api` mengarah ke salah satu adaptor tersebut
`model`	`string`	default penyedia	Nama model embedding
`fallback`	`string`	`"none"`	ID adaptor fallback saat yang utama gagal
`enabled`	`boolean`	`true`	Aktifkan atau nonaktifkan pencarian memori

Urutan deteksi otomatis

Saat provider tidak ditetapkan, OpenClaw memilih yang pertama tersedia:

local

Dipilih jika memorySearch.local.modelPath dikonfigurasi dan file tersebut ada.

github-copilot

Dipilih jika token GitHub Copilot dapat diselesaikan (env var atau profil auth).

openai

Dipilih jika kunci OpenAI dapat diselesaikan.

gemini

Dipilih jika kunci Gemini dapat diselesaikan.

voyage

Dipilih jika kunci Voyage dapat diselesaikan.

mistral

Dipilih jika kunci Mistral dapat diselesaikan.

deepinfra

Dipilih jika kunci DeepInfra dapat diselesaikan.

bedrock

Dipilih jika rantai kredensial AWS SDK berhasil diselesaikan (peran instance, kunci akses, profil, SSO, identitas web, atau konfigurasi bersama).

ollama didukung tetapi tidak terdeteksi otomatis (tetapkan secara eksplisit).

ID penyedia khusus

memorySearch.provider dapat mengarah ke entri khusus models.providers.<id>. OpenClaw menyelesaikan pemilik api penyedia tersebut untuk adaptor embedding sambil mempertahankan id penyedia khusus untuk endpoint, auth, dan penanganan prefiks model. Ini memungkinkan penyiapan multi-GPU atau multi-host mendedikasikan embedding memori ke endpoint lokal tertentu:

{
  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",
      },
    },
  },
}

Resolusi kunci API

Embedding jarak jauh memerlukan kunci API. Bedrock menggunakan rantai kredensial default AWS SDK sebagai gantinya (peran instance, SSO, kunci akses).

Penyedia	Env var	Kunci konfigurasi
Bedrock	Rantai kredensial AWS	Tidak perlu kunci 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`	Profil auth melalui login perangkat
Mistral	`MISTRAL_API_KEY`	`models.providers.mistral.apiKey`
Ollama	`OLLAMA_API_KEY` (placeholder)	—
OpenAI	`OPENAI_API_KEY`	`models.providers.openai.apiKey`
Voyage	`VOYAGE_API_KEY`	`models.providers.voyage.apiKey`

OAuth Codex hanya mencakup chat/completions dan tidak memenuhi permintaan embedding.

Konfigurasi endpoint jarak jauh

Untuk endpoint khusus yang kompatibel dengan OpenAI atau menimpa default penyedia:

remote.baseUrl

string

URL dasar API khusus.

remote.apiKey

string

Timpa kunci API.

remote.headers

object

Header HTTP tambahan (digabungkan dengan default penyedia).

{
  agents: {
    defaults: {
      memorySearch: {
        provider: "openai",
        model: "text-embedding-3-small",
        remote: {
          baseUrl: "https://api.example.com/v1/",
          apiKey: "YOUR_KEY",
        },
      },
    },
  },
}

Konfigurasi khusus penyedia

Gemini

Kunci	Tipe	Default	Deskripsi
`model`	`string`	`gemini-embedding-001`	Juga mendukung `gemini-embedding-2-preview`
`outputDimensionality`	`number`	`3072`	Untuk Embedding 2: 768, 1536, atau 3072

Mengubah model atau outputDimensionality memicu reindeks penuh otomatis.

Tipe input yang kompatibel dengan OpenAI

Endpoint embedding yang kompatibel dengan OpenAI dapat ikut menggunakan field permintaan input_type khusus penyedia. Ini berguna untuk model embedding asimetris yang memerlukan label berbeda untuk embedding kueri dan dokumen.

Kunci	Tipe	Default	Deskripsi
`inputType`	`string`	tidak ditetapkan	`input_type` bersama untuk embedding kueri dan dokumen
`queryInputType`	`string`	tidak ditetapkan	`input_type` saat kueri; menimpa `inputType`
`documentInputType`	`string`	tidak ditetapkan	`input_type` indeks/dokumen; menimpa `inputType`

{
  agents: {
    defaults: {
      memorySearch: {
        provider: "openai",
        remote: {
          baseUrl: "https://embeddings.example/v1",
          apiKey: "env:EMBEDDINGS_API_KEY",
        },
        model: "asymmetric-embedder",
        queryInputType: "query",
        documentInputType: "passage",
      },
    },
  },
}

Mengubah nilai-nilai ini memengaruhi identitas cache embedding untuk pengindeksan batch penyedia dan sebaiknya diikuti dengan reindeks memori saat model upstream memperlakukan label tersebut secara berbeda.

Bedrock

Konfigurasi embedding Bedrock

Bedrock menggunakan rantai kredensial default AWS SDK — tidak perlu kunci API. Jika OpenClaw berjalan di EC2 dengan peran instance yang mengaktifkan Bedrock, cukup tetapkan penyedia dan model:

{
  agents: {
    defaults: {
      memorySearch: {
        provider: "bedrock",
        model: "amazon.titan-embed-text-v2:0",
      },
    },
  },
}

Kunci	Tipe	Default	Deskripsi
`model`	`string`	`amazon.titan-embed-text-v2:0`	ID model embedding Bedrock apa pun
`outputDimensionality`	`number`	default model	Untuk Titan V2: 256, 512, atau 1024

Model yang didukung (dengan deteksi keluarga dan default dimensi):

ID Model	Penyedia	Dimensi Default	Dimensi yang Dapat Dikonfigurasi
`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	—

Varian bersufiks throughput (misalnya, amazon.titan-embed-text-v1:2:8k) mewarisi konfigurasi model dasar.Autentikasi: auth Bedrock menggunakan urutan resolusi kredensial AWS SDK standar:

Variabel lingkungan (AWS_ACCESS_KEY_ID + AWS_SECRET_ACCESS_KEY)
Cache token SSO
Kredensial token identitas web
Kredensial bersama dan file konfigurasi
Kredensial metadata ECS atau EC2

Region diselesaikan dari AWS_REGION, AWS_DEFAULT_REGION, baseUrl penyedia amazon-bedrock, atau default ke us-east-1.Izin IAM: peran atau pengguna IAM memerlukan:

{
  "Effect": "Allow",
  "Action": "bedrock:InvokeModel",
  "Resource": "*"
}

Untuk hak akses minimum, batasi cakupan InvokeModel ke model tertentu:

arn:aws:bedrock:*::foundation-model/amazon.titan-embed-text-v2:0

Lokal (GGUF + node-llama-cpp)

Kunci	Tipe	Bawaan	Deskripsi
`local.modelPath`	`string`	diunduh otomatis	Path ke file model GGUF
`local.modelCacheDir`	`string`	bawaan node-llama-cpp	Direktori cache untuk model yang diunduh
`local.contextSize`	`number \| "auto"`	`4096`	Ukuran jendela konteks untuk konteks embedding. 4096 mencakup chunk umum (128–512 token) sekaligus membatasi VRAM non-weight. Turunkan ke 1024–2048 pada host terbatas. `"auto"` memakai maksimum terlatih model — tidak direkomendasikan untuk model 8B+ (Qwen3-Embedding-8B: 40 960 token → ~32 GB VRAM vs ~8,8 GB pada 4096).

Model bawaan: embeddinggemma-300m-qat-Q8_0.gguf (~0,6 GB, diunduh otomatis). Checkout sumber tetap memerlukan persetujuan build native: pnpm approve-builds lalu pnpm rebuild node-llama-cpp.Gunakan CLI mandiri untuk memverifikasi path penyedia yang sama dengan yang digunakan Gateway:

openclaw memory status --deep --agent main
openclaw memory index --force --agent main

Jika provider adalah auto, local dipilih hanya ketika local.modelPath mengarah ke file lokal yang sudah ada. Referensi model hf: dan HTTP(S) masih dapat digunakan secara eksplisit dengan provider: "local", tetapi referensi tersebut tidak membuat auto memilih lokal sebelum model tersedia di disk.

Timeout embedding inline

sync.embeddingBatchTimeoutSeconds

number

Timpa timeout untuk batch embedding inline selama pengindeksan memori.Jika tidak disetel, gunakan bawaan penyedia: 600 detik untuk penyedia lokal/self-hosted seperti local, ollama, dan lmstudio, serta 120 detik untuk penyedia hosted. Tingkatkan ini ketika batch embedding lokal yang terikat CPU berjalan sehat tetapi lambat.

Konfigurasi pencarian hibrida

Semuanya berada di bawah memorySearch.query.hybrid:

Kunci	Tipe	Bawaan	Deskripsi
`enabled`	`boolean`	`true`	Aktifkan pencarian hibrida BM25 + vektor
`vectorWeight`	`number`	`0.7`	Bobot untuk skor vektor (0-1)
`textWeight`	`number`	`0.3`	Bobot untuk skor BM25 (0-1)
`candidateMultiplier`	`number`	`4`	Pengali ukuran kumpulan kandidat

MMR (keragaman)
Peluruhan temporal (keterbaruan)

Kunci	Tipe	Bawaan	Deskripsi
`mmr.enabled`	`boolean`	`false`	Aktifkan pemeringkatan ulang MMR
`mmr.lambda`	`number`	`0.7`	0 = keragaman maks, 1 = relevansi maks

Kunci	Tipe	Bawaan	Deskripsi
`temporalDecay.enabled`	`boolean`	`false`	Aktifkan peningkatan keterbaruan
`temporalDecay.halfLifeDays`	`number`	`30`	Skor berkurang setengah setiap N hari

File evergreen (MEMORY.md, file tanpa tanggal di memory/) tidak pernah diluruhkan.

Contoh lengkap

{
  agents: {
    defaults: {
      memorySearch: {
        query: {
          hybrid: {
            vectorWeight: 0.7,
            textWeight: 0.3,
            mmr: { enabled: true, lambda: 0.7 },
            temporalDecay: { enabled: true, halfLifeDays: 30 },
          },
        },
      },
    },
  },
}

Path memori tambahan

Kunci	Tipe	Deskripsi
`extraPaths`	`string[]`	Direktori atau file tambahan untuk diindeks

{
  agents: {
    defaults: {
      memorySearch: {
        extraPaths: ["../team-docs", "/srv/shared-notes"],
      },
    },
  },
}

Path dapat berupa absolut atau relatif terhadap workspace. Direktori dipindai secara rekursif untuk file .md. Penanganan symlink bergantung pada backend aktif: engine bawaan mengabaikan symlink, sedangkan QMD mengikuti perilaku pemindai QMD yang mendasarinya. Untuk pencarian transkrip lintas agen yang tercakup per agen, gunakan agents.list[].memorySearch.qmd.extraCollections alih-alih memory.qmd.paths. Koleksi tambahan tersebut mengikuti bentuk { path, name, pattern? } yang sama, tetapi digabungkan per agen dan dapat mempertahankan nama bersama eksplisit ketika path mengarah ke luar workspace saat ini. Jika path hasil resolusi yang sama muncul di memory.qmd.paths dan memorySearch.qmd.extraCollections, QMD mempertahankan entri pertama dan melewati duplikatnya.

Memori multimodal (Gemini)

Indeks gambar dan audio bersama Markdown menggunakan Gemini Embedding 2:

Kunci	Tipe	Bawaan	Deskripsi
`multimodal.enabled`	`boolean`	`false`	Aktifkan pengindeksan multimodal
`multimodal.modalities`	`string[]`	—	`["image"]`, `["audio"]`, atau `["all"]`
`multimodal.maxFileBytes`	`number`	`10000000`	Ukuran file maks untuk pengindeksan

Hanya berlaku untuk file di extraPaths. Root memori default tetap hanya Markdown. Memerlukan gemini-embedding-2-preview. fallback harus berupa "none".

Format yang didukung: .jpg, .jpeg, .png, .webp, .gif, .heic, .heif (gambar); .mp3, .wav, .ogg, .opus, .m4a, .aac, .flac (audio).

Cache embedding

Key	Type	Default	Description
`cache.enabled`	`boolean`	`false`	Simpan embedding chunk di SQLite
`cache.maxEntries`	`number`	`50000`	Maksimum embedding yang di-cache

Mencegah embedding ulang teks yang tidak berubah selama pengindeksan ulang atau pembaruan transkrip.

Pengindeksan batch

Key	Type	Default	Description
`remote.nonBatchConcurrency`	`number`	`4`	Embedding inline paralel
`remote.batch.enabled`	`boolean`	`false`	Aktifkan API embedding batch
`remote.batch.concurrency`	`number`	`2`	Job batch paralel
`remote.batch.wait`	`boolean`	`true`	Tunggu penyelesaian batch
`remote.batch.pollIntervalMs`	`number`	—	Interval polling
`remote.batch.timeoutMinutes`	`number`	—	Timeout batch

Tersedia untuk openai, gemini, dan voyage. Batch OpenAI biasanya paling cepat dan paling murah untuk backfill besar. remote.nonBatchConcurrency mengontrol panggilan embedding inline yang digunakan oleh penyedia lokal/self-hosted dan penyedia hosted saat API batch penyedia tidak aktif. Ollama secara default menggunakan 1 untuk pengindeksan non-batch agar tidak membebani host lokal yang lebih kecil; tetapkan nilai lebih tinggi pada mesin yang lebih besar. Ini terpisah dari sync.embeddingBatchTimeoutSeconds, yang mengontrol timeout untuk panggilan embedding inline.

Pencarian memori sesi (eksperimental)

Indeks transkrip sesi dan tampilkan melalui memory_search:

Key	Type	Default	Description
`experimental.sessionMemory`	`boolean`	`false`	Aktifkan pengindeksan sesi
`sources`	`string[]`	`["memory"]`	Tambahkan `"sessions"` untuk menyertakan transkrip
`sync.sessions.deltaBytes`	`number`	`100000`	Ambang byte untuk pengindeksan ulang
`sync.sessions.deltaMessages`	`number`	`50`	Ambang pesan untuk pengindeksan ulang

Pengindeksan sesi bersifat opt-in dan berjalan secara asinkron. Hasil dapat sedikit kedaluwarsa. Log sesi berada di disk, jadi perlakukan akses sistem file sebagai batas kepercayaan.

Akselerasi vektor SQLite (sqlite-vec)

Key	Type	Default	Description
`store.vector.enabled`	`boolean`	`true`	Gunakan sqlite-vec untuk kueri vektor
`store.vector.extensionPath`	`string`	bundled	Timpa path sqlite-vec

Saat sqlite-vec tidak tersedia, OpenClaw secara otomatis beralih ke kemiripan kosinus dalam proses.

Penyimpanan indeks

Key	Type	Default	Description
`store.path`	`string`	`~/.openclaw/memory/{agentId}.sqlite`	Lokasi indeks (mendukung token `{agentId}`)
`store.fts.tokenizer`	`string`	`unicode61`	Tokenizer FTS5 (`unicode61` atau `trigram`)

Konfigurasi backend QMD

Tetapkan memory.backend = "qmd" untuk mengaktifkan. Semua pengaturan QMD berada di bawah memory.qmd:

Key	Type	Default	Description
`command`	`string`	`qmd`	Path executable QMD; tetapkan path absolut saat `PATH` layanan berbeda dari shell Anda
`searchMode`	`string`	`search`	Perintah pencarian: `search`, `vsearch`, `query`
`includeDefaultMemory`	`boolean`	`true`	Indeks otomatis `MEMORY.md` + `memory/*/.md`
`paths[]`	`array`	—	Path tambahan: `{ name, path, pattern? }`
`sessions.enabled`	`boolean`	`false`	Indeks transkrip sesi
`sessions.retentionDays`	`number`	—	Retensi transkrip
`sessions.exportDir`	`string`	—	Direktori ekspor

searchMode: "search" hanya leksikal/BM25. OpenClaw tidak menjalankan probe kesiapan vektor semantik atau pemeliharaan embedding QMD untuk mode tersebut, termasuk selama memory status --deep; vsearch dan query tetap memerlukan kesiapan vektor dan embedding QMD. OpenClaw memprioritaskan koleksi QMD dan bentuk kueri MCP saat ini, tetapi tetap menjaga rilis QMD yang lebih lama tetap berfungsi dengan mencoba flag pola koleksi yang kompatibel dan nama tool MCP lama saat diperlukan. Saat QMD mengiklankan dukungan untuk beberapa filter koleksi, koleksi dengan sumber yang sama dicari dengan satu proses QMD; build QMD yang lebih lama tetap menggunakan jalur kompatibilitas per koleksi. Sumber yang sama berarti koleksi memori tahan lama dikelompokkan bersama, sementara koleksi transkrip sesi tetap menjadi grup terpisah agar diversifikasi sumber tetap memiliki kedua input.

Override model QMD tetap berada di sisi QMD, bukan konfigurasi OpenClaw. Jika Anda perlu mengoverride model QMD secara global, tetapkan variabel lingkungan seperti QMD_EMBED_MODEL, QMD_RERANK_MODEL, dan QMD_GENERATE_MODEL di lingkungan runtime gateway.

Jadwal pembaruan

Kunci	Jenis	Default	Deskripsi
`update.interval`	`string`	`5m`	Interval penyegaran
`update.debounceMs`	`number`	`15000`	Debounce perubahan file
`update.onBoot`	`boolean`	`true`	Segarkan saat manajer QMD jangka panjang terbuka; juga membatasi penyegaran startup opt-in
`update.startup`	`string`	`off`	Penyegaran opsional saat gateway dimulai: `off`, `idle`, atau `immediate`
`update.startupDelayMs`	`number`	`120000`	Penundaan sebelum penyegaran `startup: "idle"` berjalan
`update.waitForBootSync`	`boolean`	`false`	Blokir pembukaan manajer hingga penyegaran awalnya selesai
`update.embedInterval`	`string`	—	Irama embed terpisah
`update.commandTimeoutMs`	`number`	—	Timeout untuk perintah QMD
`update.updateTimeoutMs`	`number`	—	Timeout untuk operasi pembaruan QMD
`update.embedTimeoutMs`	`number`	—	Timeout untuk operasi embed QMD

Batas

Kunci	Jenis	Default	Deskripsi
`limits.maxResults`	`number`	`6`	Hasil pencarian maksimum
`limits.maxSnippetChars`	`number`	—	Batasi panjang cuplikan
`limits.maxInjectedChars`	`number`	—	Batasi total karakter yang diinjeksi
`limits.timeoutMs`	`number`	`4000`	Timeout pencarian

Cakupan

Mengontrol sesi mana yang dapat menerima hasil pencarian QMD. Skema yang sama dengan session.sendPolicy:

{
  memory: {
    qmd: {
      scope: {
        default: "deny",
        rules: [{ action: "allow", match: { chatType: "direct" } }],
      },
    },
  },
}

Default yang dikirim mengizinkan sesi langsung dan saluran, sambil tetap menolak grup.Default hanya DM. match.keyPrefix mencocokkan kunci sesi yang dinormalisasi; match.rawKeyPrefix mencocokkan kunci mentah termasuk agent:<id>:.

Kutipan

memory.citations berlaku untuk semua backend:

Nilai	Perilaku
`auto` (default)	Sertakan footer `Source: <path#line>` dalam cuplikan
`on`	Selalu sertakan footer
`off`	Hilangkan footer (path tetap diteruskan ke agent secara internal)

Penyegaran boot QMD menggunakan jalur subproses sekali jalan selama startup gateway. Manajer QMD jangka panjang tetap memiliki file watcher reguler dan timer interval saat pencarian memori dibuka untuk penggunaan interaktif.

Contoh QMD lengkap

{
  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 dikonfigurasi di bawah plugins.entries.memory-core.config.dreaming, bukan di bawah agents.defaults.memorySearch. Dreaming berjalan sebagai satu sweep terjadwal dan menggunakan fase internal ringan/dalam/REM sebagai detail implementasi. Untuk perilaku konseptual dan perintah slash, lihat Dreaming.

Pengaturan pengguna

Kunci	Jenis	Default	Deskripsi
`enabled`	`boolean`	`false`	Aktifkan atau nonaktifkan dreaming sepenuhnya
`frequency`	`string`	`0 3 * * *`	Irama cron opsional untuk sweep dreaming penuh
`model`	`string`	model default	Override model subagent Dream Diary opsional

Contoh

{
  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 menulis status mesin ke memory/.dreams/.
Dreaming menulis output naratif yang dapat dibaca manusia ke DREAMS.md (atau dreams.md yang sudah ada).
dreaming.model menggunakan gerbang kepercayaan subagent plugin yang sudah ada; tetapkan plugins.entries.memory-core.subagent.allowModelOverride: true sebelum mengaktifkannya.
Dream Diary mencoba sekali lagi dengan model default sesi saat model yang dikonfigurasi tidak tersedia. Kegagalan kepercayaan atau allowlist dicatat di log dan tidak dicoba ulang secara diam-diam.
Kebijakan dan ambang fase ringan/dalam/REM adalah perilaku internal, bukan konfigurasi yang ditujukan untuk pengguna.

CLI commands

RPC and API

Codex harness

Plugin reference

Plugin SDK reference

Plugin maintainer reference

Templates

Technical reference

Concept internals

Project

Release and CI

Referensi konfigurasi memori

Ikhtisar memori

Mesin bawaan

Mesin QMD

Pencarian memori

Active Memory

Pemilihan penyedia

Urutan deteksi otomatis

ID penyedia khusus

Resolusi kunci API

Konfigurasi endpoint jarak jauh

Konfigurasi khusus penyedia

Konfigurasi embedding Bedrock

Timeout embedding inline

Konfigurasi pencarian hibrida

Contoh lengkap

Path memori tambahan

Memori multimodal (Gemini)

Cache embedding

Pengindeksan batch

Pencarian memori sesi (eksperimental)

Akselerasi vektor SQLite (sqlite-vec)

Penyimpanan indeks

Konfigurasi backend QMD

Contoh QMD lengkap

Dreaming

Pengaturan pengguna

Contoh

Terkait

CLI commands

RPC and API

Codex harness

Plugin reference

Plugin SDK reference

Plugin maintainer reference

Templates

Technical reference

Concept internals

Project

Release and CI

Documentation Index

Ikhtisar memori

Mesin bawaan

Mesin QMD

Pencarian memori

Active Memory

​Pemilihan penyedia

​Urutan deteksi otomatis

​ID penyedia khusus

​Resolusi kunci API

​Konfigurasi endpoint jarak jauh

​Konfigurasi khusus penyedia

​Konfigurasi embedding Bedrock

​Timeout embedding inline

​Konfigurasi pencarian hibrida

​Contoh lengkap

​Path memori tambahan

​Memori multimodal (Gemini)

​Cache embedding

​Pengindeksan batch

​Pencarian memori sesi (eksperimental)

​Akselerasi vektor SQLite (sqlite-vec)

​Penyimpanan indeks

​Konfigurasi backend QMD

​Contoh QMD lengkap

​Dreaming

​Pengaturan pengguna

​Contoh

​Terkait

Pemilihan penyedia

Urutan deteksi otomatis

ID penyedia khusus

Resolusi kunci API

Konfigurasi endpoint jarak jauh

Konfigurasi khusus penyedia

Konfigurasi embedding Bedrock

Timeout embedding inline

Konfigurasi pencarian hibrida

Contoh lengkap

Path memori tambahan

Memori multimodal (Gemini)

Cache embedding

Pengindeksan batch

Pencarian memori sesi (eksperimental)

Akselerasi vektor SQLite (sqlite-vec)

Penyimpanan indeks

Konfigurasi backend QMD

Contoh QMD lengkap

Dreaming

Pengaturan pengguna

Contoh

Terkait