Vai al contenuto principale

Documentation Index

Fetch the complete documentation index at: https://docs.openclaw.ai/llms.txt

Use this file to discover all available pages before exploring further.

memory_search trova note pertinenti nei tuoi file di memoria, anche quando la formulazione differisce dal testo originale. Funziona indicizzando la memoria in piccoli blocchi e cercandoli tramite embedding, parole chiave o entrambi.

​
Avvio rapido

Se hai un abbonamento GitHub Copilot, oppure una chiave API OpenAI, Gemini, Voyage o Mistral configurata, la ricerca nella memoria funziona automaticamente. Per impostare esplicitamente un provider: 
{
  agents: {
    defaults: {
      memorySearch: {
        provider: "openai", // or "gemini", "local", "ollama", etc.
      },
    },
  },
}
Per configurazioni multi-endpoint, provider può anche essere una voce personalizzata models.providers.<id>, come ollama-5080, quando quel provider imposta api: "ollama" o un altro proprietario dell’adapter di embedding. Per embedding locali senza chiave API, imposta provider: "local". I checkout del sorgente potrebbero comunque richiedere l’approvazione della build nativa: pnpm approve-builds e poi pnpm rebuild node-llama-cpp. Alcuni endpoint di embedding compatibili con OpenAI richiedono etichette asimmetriche come input_type: "query" per le ricerche e input_type: "document" o "passage" per i blocchi indicizzati. Configurale con memorySearch.queryInputType e memorySearch.documentInputType; consulta il Riferimento alla configurazione della memoria.

​
Provider supportati

ProviderIDRichiede chiave APINote
BedrockbedrockNoRilevato automaticamente quando la catena di credenziali AWS si risolve
GeminigeminiSìSupporta l’indicizzazione di immagini/audio
GitHub Copilotgithub-copilotNoRilevato automaticamente, usa l’abbonamento Copilot
LocallocalNoModello GGUF, download di ~0,6 GB
MistralmistralSìRilevato automaticamente
OllamaollamaNoLocale, deve essere impostato esplicitamente
OpenAIopenaiSìRilevato automaticamente, veloce
VoyagevoyageSìRilevato automaticamente

​
Come funziona la ricerca

OpenClaw esegue due percorsi di recupero in parallelo e unisce i risultati:
  • Ricerca vettoriale trova note con significato simile (“gateway host” corrisponde a “the machine running OpenClaw”).
  • Ricerca per parole chiave BM25 trova corrispondenze esatte (ID, stringhe di errore, chiavi di configurazione).
Se è disponibile un solo percorso (nessun embedding o nessun FTS), l’altro viene eseguito da solo. Quando gli embedding non sono disponibili, OpenClaw usa comunque il ranking lessicale sui risultati FTS invece di tornare solo all’ordinamento grezzo per corrispondenza esatta. Questa modalità degradata potenzia i blocchi con una copertura più forte dei termini della query e percorsi di file pertinenti, mantenendo utile il richiamo anche senza sqlite-vec o un provider di embedding.

​
Migliorare la qualità della ricerca

Due funzionalità opzionali aiutano quando hai una cronologia di note ampia:

​
Decadimento temporale

Le note vecchie perdono gradualmente peso nel ranking, così le informazioni recenti emergono per prime. Con il tempo di dimezzamento predefinito di 30 giorni, una nota del mese scorso ottiene il 50% del suo peso originale. I file sempre validi come MEMORY.md non subiscono mai decadimento.
Abilita il decadimento temporale se il tuo agent ha mesi di note giornaliere e le informazioni obsolete continuano a superare il contesto recente nel ranking.

​
MMR (diversità)

Riduce i risultati ridondanti. Se cinque note menzionano tutte la stessa configurazione del router, MMR assicura che i risultati principali coprano argomenti diversi invece di ripetersi.
Abilita MMR se memory_search continua a restituire snippet quasi duplicati da note giornaliere diverse.

​
Abilitare entrambe

{
  agents: {
    defaults: {
      memorySearch: {
        query: {
          hybrid: {
            mmr: { enabled: true },
            temporalDecay: { enabled: true },
          },
        },
      },
    },
  },
}

​
Memoria multimodale

Con Gemini Embedding 2, puoi indicizzare immagini e file audio insieme al Markdown. Le query di ricerca restano testuali, ma trovano corrispondenze nei contenuti visivi e audio. Consulta il Riferimento alla configurazione della memoria per la configurazione.

​
Ricerca nella memoria di sessione

Puoi indicizzare facoltativamente le trascrizioni delle sessioni, così memory_search può ricordare conversazioni precedenti. È opt-in tramite memorySearch.experimental.sessionMemory. Consulta il riferimento alla configurazione per i dettagli.

​
Risoluzione dei problemi

Nessun risultato? Esegui openclaw memory status per controllare l’indice. Se è vuoto, esegui openclaw memory index --force. Solo corrispondenze per parole chiave? Il tuo provider di embedding potrebbe non essere configurato. Controlla openclaw memory status --deep. Gli embedding locali scadono per timeout? ollama, lmstudio e local usano per impostazione predefinita un timeout batch inline più lungo. Se l’host è semplicemente lento, imposta agents.defaults.memorySearch.sync.embeddingBatchTimeoutSeconds e riesegui openclaw memory index --force. Testo CJK non trovato? Ricostruisci l’indice FTS con openclaw memory index --force.

​
Approfondimenti

​
Correlati