Riferimento alla configurazione della memoria

Questa pagina elenca ogni parametro di configurazione per la ricerca in memoria di OpenClaw. Per panoramiche concettuali, vedi:

Panoramica della memoria

Come funziona la memoria.

Motore integrato

Backend SQLite predefinito.

Motore QMD

Sidecar local-first.

Ricerca in memoria

Pipeline di ricerca e ottimizzazione.

Active memory

Sotto-agente di memoria per sessioni interattive.

Tutte le impostazioni della ricerca in memoria si trovano sotto agents.defaults.memorySearch in openclaw.json, salvo indicazione diversa.

Se cerchi l’interruttore della funzionalità Active Memory e la configurazione del sotto-agente, si trovano invece sotto plugins.entries.active-memory anziché memorySearch.Active memory usa un modello a due gate:

il plugin deve essere abilitato e deve puntare all’id dell’agente corrente
la richiesta deve essere una sessione di chat interattiva persistente idonea

Vedi Active Memory per il modello di attivazione, la configurazione gestita dal plugin, la persistenza della trascrizione e il modello di rollout sicuro.

Selezione del provider

Chiave	Tipo	Predefinito	Descrizione
`provider`	`string`	rilevato automaticamente	ID dell’adapter di embedding come `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai` o `voyage`; può anche essere un `models.providers.<id>` configurato il cui `api` punta a uno di questi adapter
`model`	`string`	predefinito del provider	Nome del modello di embedding
`fallback`	`string`	`"none"`	ID dell’adapter di fallback quando quello principale non riesce
`enabled`	`boolean`	`true`	Abilita o disabilita la ricerca in memoria

Ordine di rilevamento automatico

Quando provider non è impostato, OpenClaw seleziona il primo disponibile:

local

Selezionato se memorySearch.local.modelPath è configurato e il file esiste.

github-copilot

Selezionato se è possibile risolvere un token GitHub Copilot (variabile d’ambiente o profilo di autenticazione).

openai

Selezionato se è possibile risolvere una chiave OpenAI.

gemini

Selezionato se è possibile risolvere una chiave Gemini.

voyage

Selezionato se è possibile risolvere una chiave Voyage.

mistral

Selezionato se è possibile risolvere una chiave Mistral.

deepinfra

Selezionato se è possibile risolvere una chiave DeepInfra.

bedrock

Selezionato se la catena di credenziali dell’SDK AWS viene risolta (ruolo dell’istanza, chiavi di accesso, profilo, SSO, identità web o configurazione condivisa).

ollama è supportato ma non viene rilevato automaticamente (impostalo esplicitamente).

ID di provider personalizzati

memorySearch.provider può puntare a una voce personalizzata models.providers.<id>. OpenClaw risolve il proprietario api di quel provider per l’adapter di embedding, preservando al tempo stesso l’id del provider personalizzato per la gestione di endpoint, autenticazione e prefissi dei modelli. Questo consente a configurazioni multi-GPU o multi-host di dedicare gli embedding della memoria a uno specifico endpoint locale:

{
  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",
      },
    },
  },
}

Risoluzione della chiave API

Gli embedding remoti richiedono una chiave API. Bedrock usa invece la catena di credenziali predefinita dell’SDK AWS (ruoli dell’istanza, SSO, chiavi di accesso).

Provider	Variabile d’ambiente	Chiave di configurazione
Bedrock	Catena di credenziali AWS	Nessuna chiave API necessaria
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`	Profilo di autenticazione tramite login del dispositivo
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`

Codex OAuth copre solo chat/completions e non soddisfa le richieste di embedding.

Configurazione dell’endpoint remoto

Per endpoint personalizzati compatibili con OpenAI o per sovrascrivere i valori predefiniti del provider:

remote.baseUrl

string

URL base API personalizzato.

remote.apiKey

string

Sovrascrive la chiave API.

remote.headers

object

Header HTTP aggiuntivi (uniti ai valori predefiniti del provider).

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

Configurazione specifica del provider

Gemini

Chiave	Tipo	Predefinito	Descrizione
`model`	`string`	`gemini-embedding-001`	Supporta anche `gemini-embedding-2-preview`
`outputDimensionality`	`number`	`3072`	Per Embedding 2: 768, 1536 o 3072

La modifica del modello o di outputDimensionality attiva una reindicizzazione completa automatica.

Tipi di input compatibili con OpenAI

Gli endpoint di embedding compatibili con OpenAI possono aderire ai campi di richiesta input_type specifici del provider. È utile per i modelli di embedding asimmetrici che richiedono etichette diverse per embedding di query e documenti.

Chiave	Tipo	Predefinito	Descrizione
`inputType`	`string`	non impostato	`input_type` condiviso per embedding di query e documenti
`queryInputType`	`string`	non impostato	`input_type` in fase di query; sovrascrive `inputType`
`documentInputType`	`string`	non impostato	`input_type` di indice/documento; sovrascrive `inputType`

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

La modifica di questi valori influisce sull’identità della cache degli embedding per l’indicizzazione batch del provider e dovrebbe essere seguita da una reindicizzazione della memoria quando il modello upstream tratta le etichette in modo diverso.

Bedrock

Configurazione degli embedding Bedrock

Bedrock usa la catena di credenziali predefinita dell’SDK AWS: non servono chiavi API. Se OpenClaw viene eseguito su EC2 con un ruolo dell’istanza abilitato per Bedrock, imposta semplicemente provider e modello:

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

Chiave	Tipo	Predefinito	Descrizione
`model`	`string`	`amazon.titan-embed-text-v2:0`	Qualsiasi ID modello di embedding Bedrock
`outputDimensionality`	`number`	predefinito del modello	Per Titan V2: 256, 512 o 1024

Modelli supportati (con rilevamento della famiglia e dimensioni predefinite):

ID modello	Provider	Dimensioni predefinite	Dimensioni configurabili
`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	—

Le varianti con suffisso di throughput (ad esempio amazon.titan-embed-text-v1:2:8k) ereditano la configurazione del modello base.Autenticazione: l’autenticazione Bedrock usa l’ordine standard di risoluzione delle credenziali dell’SDK AWS:

Variabili d’ambiente (AWS_ACCESS_KEY_ID + AWS_SECRET_ACCESS_KEY)
Cache dei token SSO
Credenziali con token di identità web
File di credenziali e configurazione condivisi
Credenziali dei metadati ECS o EC2

La regione viene risolta da AWS_REGION, AWS_DEFAULT_REGION, dal baseUrl del provider amazon-bedrock o, per impostazione predefinita, da us-east-1.Autorizzazioni IAM: il ruolo o l’utente IAM necessita di:

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

Per il privilegio minimo, limita l’ambito di InvokeModel al modello specifico:

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

Locale (GGUF + node-llama-cpp)

Chiave	Tipo	Predefinito	Descrizione
`local.modelPath`	`string`	scaricato automaticamente	Percorso del file modello GGUF
`local.modelCacheDir`	`string`	predefinito di node-llama-cpp	Directory cache per i modelli scaricati
`local.contextSize`	`number \| "auto"`	`4096`	Dimensione della finestra di contesto per il contesto di embedding. 4096 copre i chunk tipici (128-512 token) limitando al tempo stesso la VRAM non occupata dai pesi. Riduci a 1024-2048 su host con risorse limitate. `"auto"` usa il massimo addestrato del modello, non consigliato per modelli 8B+ (Qwen3-Embedding-8B: 40 960 token -> ~32 GB di VRAM contro ~8,8 GB a 4096).

Modello predefinito: embeddinggemma-300m-qat-Q8_0.gguf (~0,6 GB, scaricato automaticamente). I checkout sorgente richiedono comunque l’approvazione della build nativa: pnpm approve-builds poi pnpm rebuild node-llama-cpp.Usa la CLI autonoma per verificare lo stesso percorso provider usato dal Gateway:

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

Se provider è auto, local viene selezionato solo quando local.modelPath punta a un file locale esistente. I riferimenti a modelli hf: e HTTP(S) possono comunque essere usati esplicitamente con provider: "local", ma non fanno sì che auto selezioni local prima che il modello sia disponibile su disco.

Timeout dell’embedding inline

sync.embeddingBatchTimeoutSeconds

number

Sovrascrive il timeout per i batch di embedding inline durante l’indicizzazione della memoria.Se non impostato, usa il predefinito del provider: 600 secondi per provider locali/self-hosted come local, ollama e lmstudio, e 120 secondi per provider hosted. Aumenta questo valore quando i batch di embedding locali vincolati dalla CPU sono sani ma lenti.

Configurazione della ricerca ibrida

Tutto sotto memorySearch.query.hybrid:

Chiave	Tipo	Predefinito	Descrizione
`enabled`	`boolean`	`true`	Abilita la ricerca ibrida BM25 + vettoriale
`vectorWeight`	`number`	`0.7`	Peso per i punteggi vettoriali (0-1)
`textWeight`	`number`	`0.3`	Peso per i punteggi BM25 (0-1)
`candidateMultiplier`	`number`	`4`	Moltiplicatore della dimensione del pool di candidati

MMR (diversità)
Decadimento temporale (recenza)

Chiave	Tipo	Predefinito	Descrizione
`mmr.enabled`	`boolean`	`false`	Abilita il riordinamento MMR
`mmr.lambda`	`number`	`0.7`	0 = massima diversità, 1 = massima rilevanza

Chiave	Tipo	Predefinito	Descrizione
`temporalDecay.enabled`	`boolean`	`false`	Abilita il boost di recenza
`temporalDecay.halfLifeDays`	`number`	`30`	Il punteggio si dimezza ogni N giorni

I file evergreen (MEMORY.md, file non datati in memory/) non subiscono mai decadimento.

Esempio completo

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

Percorsi memoria aggiuntivi

Chiave	Tipo	Descrizione
`extraPaths`	`string[]`	Directory o file aggiuntivi da indicizzare

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

I percorsi possono essere assoluti o relativi al workspace. Le directory vengono scansionate ricorsivamente alla ricerca di file .md. La gestione dei symlink dipende dal backend attivo: il motore integrato ignora i symlink, mentre QMD segue il comportamento dello scanner QMD sottostante. Per la ricerca nei transcript tra agenti con ambito agente, usa agents.list[].memorySearch.qmd.extraCollections invece di memory.qmd.paths. Quelle collezioni extra seguono la stessa forma { path, name, pattern? }, ma vengono unite per agente e possono preservare nomi condivisi espliciti quando il percorso punta fuori dal workspace corrente. Se lo stesso percorso risolto appare sia in memory.qmd.paths sia in memorySearch.qmd.extraCollections, QMD mantiene la prima voce e salta il duplicato.

Memoria multimodale (Gemini)

Indicizza immagini e audio insieme al Markdown usando Gemini Embedding 2:

Chiave	Tipo	Predefinito	Descrizione
`multimodal.enabled`	`boolean`	`false`	Abilita l’indicizzazione multimodale
`multimodal.modalities`	`string[]`	—	`["image"]`, `["audio"]` o `["all"]`
`multimodal.maxFileBytes`	`number`	`10000000`	Dimensione massima file per l’indicizzazione

Si applica solo ai file in extraPaths. Le radici di memoria predefinite restano solo Markdown. Richiede gemini-embedding-2-preview. fallback deve essere "none".

Formati supportati: .jpg, .jpeg, .png, .webp, .gif, .heic, .heif (immagini); .mp3, .wav, .ogg, .opus, .m4a, .aac, .flac (audio).

Cache degli embedding

Chiave	Tipo	Predefinito	Descrizione
`cache.enabled`	`boolean`	`false`	Memorizza gli embedding dei chunk in SQLite
`cache.maxEntries`	`number`	`50000`	Numero massimo di embedding memorizzati nella cache

Evita di rigenerare gli embedding del testo invariato durante la reindicizzazione o gli aggiornamenti delle trascrizioni.

Indicizzazione batch

Chiave	Tipo	Predefinito	Descrizione
`remote.nonBatchConcurrency`	`number`	`4`	Embedding inline paralleli
`remote.batch.enabled`	`boolean`	`false`	Abilita l’API di embedding batch
`remote.batch.concurrency`	`number`	`2`	Job batch paralleli
`remote.batch.wait`	`boolean`	`true`	Attendi il completamento del batch
`remote.batch.pollIntervalMs`	`number`	—	Intervallo di polling
`remote.batch.timeoutMinutes`	`number`	—	Timeout del batch

Disponibile per openai, gemini e voyage. Il batch OpenAI è in genere il più rapido ed economico per backfill di grandi dimensioni. remote.nonBatchConcurrency controlla le chiamate di embedding inline usate dai provider locali/self-hosted e dai provider ospitati quando le API batch del provider non sono attive. Ollama usa per impostazione predefinita 1 per l’indicizzazione non batch per evitare di sovraccaricare host locali più piccoli; imposta un valore più alto su macchine più grandi. Questo è separato da sync.embeddingBatchTimeoutSeconds, che controlla il timeout per le chiamate di embedding inline.

Ricerca nella memoria delle sessioni (sperimentale)

Indicizza le trascrizioni delle sessioni e rendile disponibili tramite memory_search:

Chiave	Tipo	Predefinito	Descrizione
`experimental.sessionMemory`	`boolean`	`false`	Abilita l’indicizzazione delle sessioni
`sources`	`string[]`	`["memory"]`	Aggiungi `"sessions"` per includere le trascrizioni
`sync.sessions.deltaBytes`	`number`	`100000`	Soglia in byte per la reindicizzazione
`sync.sessions.deltaMessages`	`number`	`50`	Soglia di messaggi per la reindicizzazione

L’indicizzazione delle sessioni è opt-in e viene eseguita in modo asincrono. I risultati possono essere leggermente obsoleti. I log delle sessioni risiedono su disco, quindi considera l’accesso al filesystem come il confine di attendibilità.

Accelerazione vettoriale SQLite (sqlite-vec)

Chiave	Tipo	Predefinito	Descrizione
`store.vector.enabled`	`boolean`	`true`	Usa sqlite-vec per le query vettoriali
`store.vector.extensionPath`	`string`	incluso	Sovrascrivi il percorso di sqlite-vec

Quando sqlite-vec non è disponibile, OpenClaw ripiega automaticamente sulla similarità coseno in-process.

Archiviazione dell’indice

Chiave	Tipo	Predefinito	Descrizione
`store.path`	`string`	`~/.openclaw/memory/{agentId}.sqlite`	Posizione dell’indice (supporta il token `{agentId}`)
`store.fts.tokenizer`	`string`	`unicode61`	Tokenizer FTS5 (`unicode61` o `trigram`)

Configurazione del backend QMD

Imposta memory.backend = "qmd" per abilitarlo. Tutte le impostazioni QMD risiedono sotto memory.qmd:

Chiave	Tipo	Predefinito	Descrizione
`command`	`string`	`qmd`	Percorso dell’eseguibile QMD; imposta un percorso assoluto quando il `PATH` del servizio differisce dalla tua shell
`searchMode`	`string`	`search`	Comando di ricerca: `search`, `vsearch`, `query`
`includeDefaultMemory`	`boolean`	`true`	Indicizza automaticamente `MEMORY.md` + `memory/*/.md`
`paths[]`	`array`	—	Percorsi extra: `{ name, path, pattern? }`
`sessions.enabled`	`boolean`	`false`	Indicizza le trascrizioni delle sessioni
`sessions.retentionDays`	`number`	—	Conservazione delle trascrizioni
`sessions.exportDir`	`string`	—	Directory di esportazione

searchMode: "search" è solo lessicale/BM25. OpenClaw non esegue sonde di prontezza vettoriale semantica né manutenzione degli embedding QMD per quella modalità, anche durante memory status --deep; vsearch e query continuano a richiedere la prontezza vettoriale QMD e gli embedding. OpenClaw preferisce la raccolta QMD corrente e le forme di query MCP, ma mantiene funzionanti le versioni QMD precedenti provando flag compatibili per i pattern di raccolta e nomi di strumenti MCP più vecchi quando necessario. Quando QMD dichiara il supporto per più filtri di raccolta, le raccolte della stessa origine vengono cercate con un solo processo QMD; le build QMD più vecchie mantengono il percorso di compatibilità per raccolta. Stessa origine significa che le raccolte di memoria duratura sono raggruppate insieme, mentre le raccolte delle trascrizioni di sessione restano un gruppo separato, così la diversificazione delle fonti mantiene comunque entrambi gli input.

Gli override dei modelli QMD restano sul lato QMD, non nella configurazione OpenClaw. Se devi sovrascrivere globalmente i modelli di QMD, imposta variabili di ambiente come QMD_EMBED_MODEL, QMD_RERANK_MODEL e QMD_GENERATE_MODEL nell’ambiente di runtime del gateway.

Pianificazione degli aggiornamenti

Chiave	Tipo	Predefinito	Descrizione
`update.interval`	`string`	`5m`	Intervallo di aggiornamento
`update.debounceMs`	`number`	`15000`	Debounce delle modifiche ai file
`update.onBoot`	`boolean`	`true`	Aggiorna quando il gestore QMD a lunga durata si apre; controlla anche l’aggiornamento all’avvio su consenso esplicito
`update.startup`	`string`	`off`	Aggiornamento opzionale all’avvio del gateway: `off`, `idle` o `immediate`
`update.startupDelayMs`	`number`	`120000`	Ritardo prima dell’esecuzione dell’aggiornamento `startup: "idle"`
`update.waitForBootSync`	`boolean`	`false`	Blocca l’apertura del gestore finché l’aggiornamento iniziale non è completato
`update.embedInterval`	`string`	—	Cadenza separata per gli embedding
`update.commandTimeoutMs`	`number`	—	Timeout per i comandi QMD
`update.updateTimeoutMs`	`number`	—	Timeout per le operazioni di aggiornamento QMD
`update.embedTimeoutMs`	`number`	—	Timeout per le operazioni di embedding QMD

Limiti

Chiave	Tipo	Predefinito	Descrizione
`limits.maxResults`	`number`	`6`	Risultati di ricerca massimi
`limits.maxSnippetChars`	`number`	—	Limita la lunghezza dello snippet
`limits.maxInjectedChars`	`number`	—	Limita i caratteri iniettati totali
`limits.timeoutMs`	`number`	`4000`	Timeout della ricerca

Ambito

Controlla quali sessioni possono ricevere risultati di ricerca QMD. Stesso schema di session.sendPolicy:

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

Il valore predefinito distribuito consente sessioni dirette e di canale, continuando a negare i gruppi.Il valore predefinito è solo DM. match.keyPrefix corrisponde alla chiave di sessione normalizzata; match.rawKeyPrefix corrisponde alla chiave grezza, incluso agent:<id>:.

Citazioni

memory.citations si applica a tutti i backend:

Valore	Comportamento
`auto` (predefinito)	Include il footer `Source: <path#line>` negli snippet
`on`	Include sempre il footer
`off`	Omette il footer (il percorso viene comunque passato internamente all’agente)

Gli aggiornamenti all’avvio QMD usano un percorso subprocess monouso durante l’avvio del gateway. Il gestore QMD a lunga durata possiede comunque il file watcher regolare e i timer a intervallo quando la ricerca in memoria viene aperta per l’uso interattivo.

Esempio QMD completo

{
  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 è configurato in plugins.entries.memory-core.config.dreaming, non in agents.defaults.memorySearch. Dreaming viene eseguito come una singola scansione pianificata e usa fasi interne light/deep/REM come dettaglio di implementazione. Per il comportamento concettuale e i comandi slash, consulta Dreaming.

Impostazioni utente

Chiave	Tipo	Predefinito	Descrizione
`enabled`	`boolean`	`false`	Abilita o disabilita completamente Dreaming
`frequency`	`string`	`0 3 * * *`	Cadenza cron opzionale per la scansione Dreaming completa
`model`	`string`	modello predefinito	Override opzionale del modello del subagente Dream Diary

Esempio

{
  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 scrive lo stato della macchina in memory/.dreams/.
Dreaming scrive l’output narrativo leggibile da persone in DREAMS.md (o nel file dreams.md esistente).
dreaming.model usa il gate di fiducia esistente del subagente del plugin; imposta plugins.entries.memory-core.subagent.allowModelOverride: true prima di abilitarlo.
Dream Diary riprova una volta con il modello predefinito della sessione quando il modello configurato non è disponibile. Gli errori di fiducia o allowlist vengono registrati e non vengono riprovati silenziosamente.
La policy e le soglie delle fasi light/deep/REM sono comportamento interno, non configurazione rivolta all’utente.

CLI commands

RPC and API

Codex harness

Plugin reference

Plugin SDK reference

Plugin maintainer reference

Templates

Technical reference

Concept internals

Project

Release and CI

Riferimento alla configurazione della memoria

Panoramica della memoria

Motore integrato

Motore QMD

Ricerca in memoria

Active memory

Selezione del provider

Ordine di rilevamento automatico

ID di provider personalizzati

Risoluzione della chiave API

Configurazione dell’endpoint remoto

Configurazione specifica del provider

Configurazione degli embedding Bedrock

Timeout dell’embedding inline

Configurazione della ricerca ibrida

Esempio completo

Percorsi memoria aggiuntivi

Memoria multimodale (Gemini)

Cache degli embedding

Indicizzazione batch

Ricerca nella memoria delle sessioni (sperimentale)

Accelerazione vettoriale SQLite (sqlite-vec)

Archiviazione dell’indice

Configurazione del backend QMD

Esempio QMD completo

Dreaming

Impostazioni utente

Esempio

Correlati

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

Panoramica della memoria

Motore integrato

Motore QMD

Ricerca in memoria

Active memory

​Selezione del provider

​Ordine di rilevamento automatico

​ID di provider personalizzati

​Risoluzione della chiave API

​Configurazione dell’endpoint remoto

​Configurazione specifica del provider

​Configurazione degli embedding Bedrock

​Timeout dell’embedding inline

​Configurazione della ricerca ibrida

​Esempio completo

​Percorsi memoria aggiuntivi

​Memoria multimodale (Gemini)

​Cache degli embedding

​Indicizzazione batch

​Ricerca nella memoria delle sessioni (sperimentale)

​Accelerazione vettoriale SQLite (sqlite-vec)

​Archiviazione dell’indice

​Configurazione del backend QMD

​Esempio QMD completo

​Dreaming

​Impostazioni utente

​Esempio

​Correlati

Selezione del provider

Ordine di rilevamento automatico

ID di provider personalizzati

Risoluzione della chiave API

Configurazione dell’endpoint remoto

Configurazione specifica del provider

Configurazione degli embedding Bedrock

Timeout dell’embedding inline

Configurazione della ricerca ibrida

Esempio completo

Percorsi memoria aggiuntivi

Memoria multimodale (Gemini)

Cache degli embedding

Indicizzazione batch

Ricerca nella memoria delle sessioni (sperimentale)

Accelerazione vettoriale SQLite (sqlite-vec)

Archiviazione dell’indice

Configurazione del backend QMD

Esempio QMD completo

Dreaming

Impostazioni utente

Esempio

Correlati