---
read_when:
- Anda ingin mengonfigurasi penyedia pencarian memori atau model embedding
- Anda ingin menyiapkan backend QMD
- Anda ingin menyesuaikan pencarian hibrida, MMR, atau peluruhan temporal
- Anda ingin mengaktifkan pengindeksan memori multimodal
sidebarTitle: Memory config
summary: Semua opsi konfigurasi untuk pencarian memori, penyedia embedding, QMD, pencarian hybrid, dan pengindeksan multimodal
title: Referensi konfigurasi memori
x-i18n:
generated_at: "2026-06-28T22:33:50Z"
model: gpt-5.5
postprocess_version: locale-links-v1
provider: openai
source_hash: de7d1c23cd415293001ef59ae2572cd7bfe9a88c70c1e4cf138ee60664ff0ac2
source_path: reference/memory-config.md
workflow: 16
---
Halaman ini mencantumkan setiap kenop konfigurasi untuk pencarian memori OpenClaw. Untuk ikhtisar konseptual, lihat:
Cara kerja memori.
Backend SQLite default.
Sidecar yang mengutamakan lokal.
Pipeline pencarian dan penyetelan.
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:
1. plugin harus diaktifkan dan menargetkan id agen saat ini
2. permintaan harus berupa sesi chat persisten interaktif yang memenuhi syarat
Lihat [Active Memory](/id/concepts/active-memory) untuk model aktivasi, konfigurasi milik plugin, persistensi transkrip, dan pola rollout yang aman.
---
## Pemilihan provider
| Kunci | Tipe | Default | Deskripsi |
| ---------- | --------- | ---------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| `provider` | `string` | `"openai"` | ID adaptor embedding seperti `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai`, `openai-compatible`, atau `voyage`; juga dapat berupa `models.providers.` yang dikonfigurasi dengan `api` yang menunjuk ke adaptor embedding memori atau API model kompatibel OpenAI |
| `model` | `string` | default provider | Nama model embedding |
| `fallback` | `string` | `"none"` | ID adaptor fallback ketika yang utama gagal |
| `enabled` | `boolean` | `true` | Mengaktifkan atau menonaktifkan pencarian memori |
Ketika `provider` tidak diatur, OpenClaw menggunakan embedding OpenAI. Atur `provider`
secara eksplisit untuk menggunakan Gemini, Voyage, Mistral, DeepInfra, Bedrock, GitHub Copilot,
Ollama, model GGUF lokal, atau endpoint `/v1/embeddings` yang kompatibel dengan OpenAI.
Konfigurasi lama yang masih menyatakan `provider: "auto"` diselesaikan menjadi `openai`.
Mengubah provider embedding, model, pengaturan provider, sumber, cakupan,
chunking, atau tokenizer dapat membuat indeks vektor SQLite yang ada tidak kompatibel.
OpenClaw menjeda pencarian vektor dan melaporkan peringatan identitas indeks alih-alih
secara otomatis membuat ulang embedding untuk semuanya. Bangun ulang saat Anda siap dengan
`openclaw memory status --index --agent ` atau
`openclaw memory index --force --agent `.
Ketika `provider` tidak ditetapkan, `provider: "auto"` lama ada, atau
`provider: "none"` sengaja memilih mode hanya FTS, recall memori masih dapat
menggunakan peringkat FTS leksikal saat embedding tidak tersedia.
Provider non-lokal eksplisit gagal secara tertutup. Jika Anda mengatur `memorySearch.provider` ke
provider konkret yang didukung jarak jauh seperti OpenAI, Gemini, Voyage, Mistral,
Bedrock, GitHub Copilot, DeepInfra, Ollama, LM Studio, atau provider kustom
yang kompatibel dengan OpenAI, dan provider tersebut tidak tersedia saat runtime, `memory_search`
mengembalikan hasil tidak tersedia alih-alih diam-diam menggunakan recall hanya FTS. Perbaiki
konfigurasi provider/auth, beralih ke provider yang dapat dijangkau, atau atur
`provider: "none"` jika Anda menginginkan recall hanya FTS secara sengaja.
### ID provider kustom
`memorySearch.provider` dapat menunjuk ke entri `models.providers.` kustom untuk adaptor provider khusus memori seperti `ollama`, atau untuk API model kompatibel OpenAI seperti `openai-responses` / `openai-completions`. OpenClaw menyelesaikan pemilik `api` provider tersebut untuk adaptor embedding sambil mempertahankan ID provider kustom untuk penanganan endpoint, auth, dan prefiks model. Ini memungkinkan setup multi-GPU atau multi-host mendedikasikan embedding memori ke endpoint lokal tertentu:
```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",
},
},
},
}
```
### Resolusi kunci API
Embedding jarak jauh memerlukan kunci API. Bedrock menggunakan rantai kredensial default AWS SDK sebagai gantinya (peran instance, SSO, kunci akses).
| Provider | 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
Gunakan `provider: "openai-compatible"` untuk server `/v1/embeddings`
generik yang kompatibel dengan OpenAI dan tidak boleh mewarisi kredensial chat OpenAI global.
URL dasar API kustom.
Menimpa kunci API.
Header HTTP tambahan (digabungkan dengan default provider).
```json5
{
agents: {
defaults: {
memorySearch: {
provider: "openai-compatible",
model: "text-embedding-3-small",
remote: {
baseUrl: "https://api.example.com/v1/",
apiKey: "YOUR_KEY",
},
},
},
},
}
```
---
## Konfigurasi khusus provider
| 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` mengubah identitas indeks. OpenClaw
menjeda pencarian vektor sampai Anda secara eksplisit membangun ulang indeks memori.
Endpoint embedding yang kompatibel dengan OpenAI dapat memilih untuk menggunakan bidang permintaan `input_type` khusus provider. Ini berguna untuk model embedding asimetris yang memerlukan label berbeda untuk embedding kueri dan dokumen.
| Kunci | Tipe | Default | Deskripsi |
| ------------------- | -------- | ------------- | --------------------------------------------------- |
| `inputType` | `string` | tidak disetel | `input_type` bersama untuk embedding kueri dan dokumen |
| `queryInputType` | `string` | tidak disetel | `input_type` saat kueri; menimpa `inputType` |
| `documentInputType` | `string` | tidak disetel | `input_type` indeks/dokumen; menimpa `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",
},
},
},
}
```
Mengubah nilai-nilai ini memengaruhi identitas cache embedding untuk pengindeksan batch provider dan sebaiknya diikuti dengan reindeks memori ketika model upstream memperlakukan label tersebut secara berbeda.
### 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 atur provider dan model:
```json5
{
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 family 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 dengan sufiks throughput (misalnya, `amazon.titan-embed-text-v1:2:8k`) mewarisi konfigurasi model dasar.
**Autentikasi:** autentikasi Bedrock menggunakan urutan resolusi kredensial AWS SDK standar:
1. Variabel lingkungan (`AWS_ACCESS_KEY_ID` + `AWS_SECRET_ACCESS_KEY`)
2. Cache token SSO
3. Kredensial token identitas web
4. Kredensial bersama dan file konfigurasi
5. 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:
```json
{
"Effect": "Allow",
"Action": "bedrock:InvokeModel",
"Resource": "*"
}
```
Untuk hak akses paling minimal, batasi cakupan `InvokeModel` ke model spesifik:
```
arn:aws:bedrock:*::foundation-model/amazon.titan-embed-text-v2:0
```
| Kunci | Tipe | Default | Deskripsi |
| --------------------- | ------------------ | ---------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| `local.modelPath` | `string` | diunduh otomatis | Jalur ke file model GGUF |
| `local.modelCacheDir` | `string` | default 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) sambil membatasi VRAM non-weight. Turunkan ke 1024–2048 pada host terbatas. `"auto"` menggunakan maksimum terlatih model — tidak direkomendasikan untuk model 8B+ (Qwen3-Embedding-8B: 40 960 token → ~32 GB VRAM vs ~8,8 GB pada 4096). |
Instal penyedia llama.cpp resmi terlebih dahulu: `openclaw plugins install @openclaw/llama-cpp-provider`.
Model default: `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 jalur penyedia yang sama dengan yang digunakan Gateway:
```bash
openclaw memory status --deep --agent main
openclaw memory index --force --agent main
```
Tetapkan `provider: "local"` secara eksplisit untuk embedding GGUF lokal. Referensi model `hf:` dan HTTP(S) didukung untuk konfigurasi lokal eksplisit, tetapi tidak mengubah penyedia default.
### Timeout embedding inline
Timpa timeout untuk batch embedding inline selama pengindeksan memori.
Jika tidak disetel, default penyedia digunakan: 600 detik untuk penyedia lokal/di-hosting sendiri seperti `local`, `ollama`, dan `lmstudio`, serta 120 detik untuk penyedia ter-hosting. Tingkatkan ini saat batch embedding lokal yang terikat CPU berjalan sehat tetapi lambat.
---
## Konfigurasi pencarian hibrida
Semuanya berada di bawah `memorySearch.query.hybrid`:
| Kunci | Tipe | Default | 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 |
| Kunci | Tipe | Default | Deskripsi |
| ------------- | --------- | ------- | ------------------------------------ |
| `mmr.enabled` | `boolean` | `false` | Aktifkan pemeringkatan ulang MMR |
| `mmr.lambda` | `number` | `0.7` | 0 = keragaman maks, 1 = relevansi maks |
| Kunci | Tipe | Default | Deskripsi |
| ---------------------------- | --------- | ------- | ------------------------- |
| `temporalDecay.enabled` | `boolean` | `false` | Aktifkan peningkatan keterkinian |
| `temporalDecay.halfLifeDays` | `number` | `30` | Skor berkurang setengah setiap N hari |
File evergreen (`MEMORY.md`, file tanpa tanggal di `memory/`) tidak pernah mengalami decay.
### Contoh lengkap
```json5
{
agents: {
defaults: {
memorySearch: {
query: {
hybrid: {
vectorWeight: 0.7,
textWeight: 0.3,
mmr: { enabled: true, lambda: 0.7 },
temporalDecay: { enabled: true, halfLifeDays: 30 },
},
},
},
},
},
}
```
---
## Jalur memori tambahan
| Kunci | Tipe | Deskripsi |
| ------------ | ---------- | ------------------------------------------ |
| `extraPaths` | `string[]` | Direktori atau file tambahan untuk diindeks |
```json5
{
agents: {
defaults: {
memorySearch: {
extraPaths: ["../team-docs", "/srv/shared-notes"],
},
},
},
}
```
Jalur dapat berupa absolut atau relatif terhadap workspace. Direktori dipindai secara rekursif untuk file `.md`. Penanganan symlink bergantung pada backend aktif: mesin bawaan mengabaikan symlink, sementara QMD mengikuti perilaku pemindai QMD yang mendasarinya.
Untuk pencarian transkrip lintas agen dengan cakupan agen, gunakan `agents.list[].memorySearch.qmd.extraCollections` alih-alih `memory.qmd.paths`. Koleksi ekstra tersebut mengikuti bentuk `{ path, name, pattern? }` yang sama, tetapi digabungkan per agen dan dapat mempertahankan nama bersama eksplisit ketika jalur mengarah ke luar workspace saat ini. Jika jalur terselesaikan yang sama muncul di `memory.qmd.paths` dan `memorySearch.qmd.extraCollections`, QMD mempertahankan entri pertama dan melewati duplikat.
---
## Memori multimodal (Gemini)
Indeks gambar dan audio bersama Markdown menggunakan Gemini Embedding 2:
| Kunci | Tipe | Default | Deskripsi |
| ------------------------- | ---------- | ---------- | -------------------------------------- |
| `multimodal.enabled` | `boolean` | `false` | Aktifkan pengindeksan multimodal |
| `multimodal.modalities` | `string[]` | -- | `["image"]`, `["audio"]`, atau `["all"]` |
| `multimodal.maxFileBytes` | `number` | `10000000` | Ukuran file maksimum untuk pengindeksan |
Hanya berlaku untuk file di `extraPaths`. Root memori default tetap hanya Markdown. Memerlukan `gemini-embedding-2-preview`. `fallback` harus `"none"`.
Format yang didukung: `.jpg`, `.jpeg`, `.png`, `.webp`, `.gif`, `.heic`, `.heif` (gambar); `.mp3`, `.wav`, `.ogg`, `.opus`, `.m4a`, `.aac`, `.flac` (audio).
---
## Cache embedding
| Kunci | Tipe | Default | Deskripsi |
| ------------------ | --------- | ------- | -------------------------------- |
| `cache.enabled` | `boolean` | `true` | Cache embedding chunk di SQLite |
| `cache.maxEntries` | `number` | `50000` | Embedding cache maksimum |
Mencegah embedding ulang teks yang tidak berubah selama pengindeksan ulang atau pembaruan transkrip.
---
## Pengindeksan batch
| Kunci | Tipe | Default | Deskripsi |
| ----------------------------- | --------- | ------- | -------------------------- |
| `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 ketika API batch penyedia tidak aktif. Ollama default ke `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`:
| Kunci | Tipe | Default | Deskripsi |
| ----------------------------- | ---------- | ------------ | ------------------------------------------- |
| `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 usang. Log sesi berada di disk, jadi perlakukan akses filesystem sebagai batas kepercayaan.
Hasil transkrip sesi juga mematuhi
[`tools.sessions.visibility`](/id/gateway/config-tools#toolssessions). Visibilitas default
`tree` hanya mengekspos sesi saat ini dan sesi yang dibuat olehnya. Untuk
memanggil kembali sesi tidak terkait yang dikirim Gateway untuk agen yang sama
dari sesi berbeda, seperti DM, perluas visibilitas secara sengaja ke `agent`
(atau `all` hanya ketika pemanggilan lintas agen juga diperlukan dan kebijakan
agen-ke-agen mengizinkannya).
Contoh di bawah menempatkan pengaturan ini di bawah `agents.defaults`. Anda juga
dapat menerapkan pengaturan `memorySearch` yang setara dalam override per agen
ketika hanya satu agen yang harus mengindeks dan mencari transkrip sesi.
Untuk pemanggilan kembali dari Gateway ke DM pada agen yang sama:
```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" },
},
}
```
Saat menggunakan QMD, `agents.defaults.memorySearch.experimental.sessionMemory` dan
`sources: ["sessions"]` saja tidak mengekspor transkrip ke QMD. Tetapkan juga
`memory.qmd.sessions.enabled: true`.
---
## Akselerasi vektor SQLite (sqlite-vec)
| Kunci | Tipe | Default | Deskripsi |
| ---------------------------- | --------- | -------- | --------------------------------- |
| `store.vector.enabled` | `boolean` | `true` | Gunakan sqlite-vec untuk kueri vektor |
| `store.vector.extensionPath` | `string` | dibundel | Timpa jalur sqlite-vec |
Saat sqlite-vec tidak tersedia, OpenClaw secara otomatis beralih ke kemiripan kosinus dalam proses.
---
## Penyimpanan indeks
Indeks memori bawaan berada di basis data SQLite OpenClaw milik setiap agen di
`agents//agent/openclaw-agent.sqlite`.
| Kunci | Tipe | Default | Deskripsi |
| --------------------- | -------- | ----------- | ----------------------------------------- |
| `store.fts.tokenizer` | `string` | `unicode61` | Tokenizer FTS5 (`unicode61` atau `trigram`) |
---
## Konfigurasi backend QMD
Tetapkan `memory.backend = "qmd"` untuk mengaktifkannya. Semua pengaturan QMD berada di bawah `memory.qmd`:
| Kunci | Tipe | Default | Deskripsi |
| ------------------------ | --------- | -------- | ------------------------------------------------------------------------------------- |
| `command` | `string` | `qmd` | Jalur executable QMD; tetapkan jalur absolut ketika `PATH` layanan berbeda dari shell Anda |
| `searchMode` | `string` | `search` | Perintah pencarian: `search`, `vsearch`, `query` |
| `rerank` | `boolean` | -- | Tetapkan ke `false` dengan `searchMode: "query"` dan QMD 2.1+ untuk melewati reranking QMD |
| `includeDefaultMemory` | `boolean` | `true` | Indeks otomatis `MEMORY.md` + `memory/**/*.md` |
| `paths[]` | `array` | -- | Jalur tambahan: `{ name, path, pattern? }` |
| `sessions.enabled` | `boolean` | `false` | Ekspor transkrip sesi ke QMD |
| `sessions.retentionDays` | `number` | -- | Retensi transkrip |
| `sessions.exportDir` | `string` | -- | Direktori ekspor |
`searchMode: "search"` hanya leksikal/BM25. OpenClaw tidak menjalankan pemeriksaan 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.
`rerank: false` hanya mengubah mode `query` QMD dan memerlukan QMD 2.1 atau yang lebih baru. Dalam mode CLI langsung, OpenClaw meneruskan `--no-rerank`; dalam mode MCP yang didukung mcporter, OpenClaw meneruskan `rerank: false` ke alat kueri terpadu QMD. Biarkan tidak ditetapkan untuk menggunakan perilaku reranking kueri default QMD.
OpenClaw memprioritaskan bentuk koleksi QMD dan kueri MCP saat ini, tetapi tetap membuat rilis QMD lama berfungsi dengan mencoba flag pola koleksi yang kompatibel dan nama alat MCP lama bila diperlukan. Ketika QMD menyatakan dukungan untuk beberapa filter koleksi, koleksi dari sumber yang sama dicari dengan satu proses QMD; build QMD 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 sehingga diversifikasi sumber tetap memiliki kedua input.
Override model QMD tetap berada di sisi QMD, bukan konfigurasi OpenClaw. Jika Anda perlu menimpa model QMD secara global, tetapkan variabel lingkungan seperti `QMD_EMBED_MODEL`, `QMD_RERANK_MODEL`, dan `QMD_GENERATE_MODEL` di lingkungan runtime gateway.
| Kunci | Tipe | Default | Deskripsi |
| ------------------------- | --------- | ------- | ------------------------------------- |
| `update.interval` | `string` | `5m` | Interval penyegaran |
| `update.debounceMs` | `number` | `15000` | Debounce perubahan file |
| `update.onBoot` | `boolean` | `true` | Segarkan saat manajer QMD berumur panjang dibuka; atur false untuk melewati pembaruan boot langsung |
| `update.startup` | `string` | `off` | Inisialisasi QMD saat Gateway dimulai yang opsional: `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 |
| Kunci | Tipe | 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 |
Mengontrol sesi mana yang dapat menerima hasil pencarian QMD. Skema yang sama seperti [`session.sendPolicy`](/id/gateway/config-agents#session):
```json5
{
memory: {
qmd: {
scope: {
default: "deny",
rules: [{ action: "allow", match: { chatType: "direct" } }],
},
},
},
}
```
Default yang dikirimkan mengizinkan sesi langsung dan sesi kanal, sambil tetap menolak grup.
Defaultnya hanya DM. `match.keyPrefix` mencocokkan kunci sesi yang dinormalisasi; `match.rawKeyPrefix` mencocokkan kunci mentah termasuk `agent::`.
`memory.citations` berlaku untuk semua backend:
| Nilai | Perilaku |
| ---------------- | --------------------------------------------------- |
| `auto` (default) | Sertakan footer `Source: ` dalam cuplikan |
| `on` | Selalu sertakan footer |
| `off` | Hilangkan footer (path tetap diteruskan ke agen secara internal) |
Saat inisialisasi QMD ketika Gateway dimulai diaktifkan, OpenClaw memulai QMD hanya untuk agen yang memenuhi syarat. Jika `update.onBoot` bernilai true dan tidak ada pemeliharaan interval/embed yang dikonfigurasi, startup menggunakan manajer sekali pakai untuk penyegaran boot dan menutupnya. Jika interval pembaruan atau embed dikonfigurasi, startup membuka manajer QMD berumur panjang agar dapat memiliki watcher dan timer interval; `update.onBoot: false` hanya melewati penyegaran boot langsung.
### Contoh QMD lengkap
```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 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 light/deep/REM sebagai detail implementasi.
Untuk perilaku konseptual dan perintah slash, lihat [Dreaming](/id/concepts/dreaming).
### Pengaturan pengguna
| Kunci | Tipe | 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 subagen Dream Diary opsional |
| `phases.deep.maxPromotedSnippetTokens` | `number` | `160` | Token estimasi maksimum yang disimpan dari setiap cuplikan ingatan jangka pendek yang dipromosikan ke `MEMORY.md`; metadata asal-usul tetap terlihat |
### Contoh
```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 menulis status mesin ke `memory/.dreams/`.
- Dreaming menulis keluaran naratif yang dapat dibaca manusia ke `DREAMS.md` (atau `dreams.md` yang sudah ada).
- `dreaming.model` menggunakan gate kepercayaan subagen Plugin yang sudah ada; atur `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 light/deep/REM adalah perilaku internal, bukan konfigurasi yang dihadapkan ke pengguna.
## Terkait
- [Referensi konfigurasi](/id/gateway/configuration-reference)
- [Ikhtisar memori](/id/concepts/memory)
- [Pencarian memori](/id/concepts/memory-search)