--- read_when: - Vuoi configurare provider di ricerca in memoria o modelli di embedding - Vuoi configurare il backend QMD - Vuoi ottimizzare la ricerca ibrida, MMR o il decadimento temporale - Vuoi abilitare l'indicizzazione della memoria multimodale sidebarTitle: Memory config summary: Tutti i parametri di configurazione per ricerca in memoria, provider di embedding, QMD, ricerca ibrida e indicizzazione multimodale title: Riferimento alla configurazione della memoria x-i18n: generated_at: "2026-06-28T22:33:36Z" model: gpt-5.5 postprocess_version: locale-links-v1 provider: openai source_hash: de7d1c23cd415293001ef59ae2572cd7bfe9a88c70c1e4cf138ee60664ff0ac2 source_path: reference/memory-config.md workflow: 16 --- Questa pagina elenca ogni opzione di configurazione per la ricerca nella memoria di OpenClaw. Per panoramiche concettuali, consulta: Come funziona la memoria. Backend SQLite predefinito. Sidecar local-first. Pipeline di ricerca e ottimizzazione. Sub-agent della memoria per sessioni interattive. Tutte le impostazioni di ricerca nella memoria si trovano in `agents.defaults.memorySearch` in `openclaw.json`, salvo diversa indicazione. Se cerchi l'interruttore della funzionalità **Active Memory** e la configurazione del sub-agent, si trova invece in `plugins.entries.active-memory` anziché in `memorySearch`. Active Memory usa un modello a due gate: 1. il plugin deve essere abilitato e puntare all'ID dell'agente corrente 2. la richiesta deve essere una sessione di chat interattiva persistente idonea Consulta [Active Memory](/it/concepts/active-memory) per il modello di attivazione, la configurazione di proprietà del plugin, la persistenza della trascrizione e il pattern di rollout sicuro. --- ## Selezione del provider | Chiave | Tipo | Predefinito | Descrizione | | ---------- | --------- | ------------------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `provider` | `string` | `"openai"` | ID dell'adattatore di embedding come `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai`, `openai-compatible` o `voyage`; può anche essere un `models.providers.` configurato il cui `api` punta a un adattatore di embedding della memoria o a un'API di modello compatibile con OpenAI | | `model` | `string` | predefinito del provider | Nome del modello di embedding | | `fallback` | `string` | `"none"` | ID dell'adattatore di fallback quando quello primario non riesce | | `enabled` | `boolean` | `true` | Abilita o disabilita la ricerca nella memoria | Quando `provider` non è impostato, OpenClaw usa gli embedding di OpenAI. Imposta `provider` esplicitamente per usare Gemini, Voyage, Mistral, DeepInfra, Bedrock, GitHub Copilot, Ollama, un modello GGUF locale o un endpoint `/v1/embeddings` compatibile con OpenAI. Le configurazioni legacy che indicano ancora `provider: "auto"` vengono risolte in `openai`. Cambiare il provider di embedding, il modello, le impostazioni del provider, le origini, l'ambito, il chunking o il tokenizer può rendere incompatibile l'indice vettoriale SQLite esistente. OpenClaw sospende la ricerca vettoriale e segnala un avviso di identità dell'indice invece di ricalcolare automaticamente tutti gli embedding. Ricostruisci quando sei pronto con `openclaw memory status --index --agent ` o `openclaw memory index --force --agent `. Quando `provider` non è impostato, è presente il legacy `provider: "auto"` oppure `provider: "none"` seleziona intenzionalmente la modalità solo FTS, il richiamo della memoria può comunque usare il ranking lessicale FTS quando gli embedding non sono disponibili. I provider espliciti non locali falliscono in modo chiuso. Se imposti `memorySearch.provider` su un provider concreto basato su remoto come OpenAI, Gemini, Voyage, Mistral, Bedrock, GitHub Copilot, DeepInfra, Ollama, LM Studio o un provider personalizzato compatibile con OpenAI, e quel provider non è disponibile a runtime, `memory_search` restituisce un risultato non disponibile invece di usare silenziosamente il richiamo solo FTS. Correggi la configurazione del provider/autenticazione, passa a un provider raggiungibile oppure imposta `provider: "none"` se vuoi un richiamo intenzionalmente solo FTS. ### ID provider personalizzati `memorySearch.provider` può puntare a una voce personalizzata `models.providers.` per adattatori provider specifici della memoria come `ollama`, oppure per API di modelli compatibili con OpenAI come `openai-responses` / `openai-completions`. OpenClaw risolve il proprietario `api` di quel provider per l'adattatore di embedding preservando l'ID provider personalizzato per endpoint, autenticazione e gestione del prefisso del modello. Questo consente a configurazioni multi-GPU o multi-host di dedicare gli embedding della memoria a uno specifico endpoint locale: ```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", }, }, }, } ``` ### Risoluzione della chiave API Gli embedding remoti richiedono una chiave API. Bedrock usa invece la catena di credenziali predefinita dell'AWS SDK (ruoli istanza, SSO, chiavi di accesso). | Provider | Variabile env | 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 device login | | Mistral | `MISTRAL_API_KEY` | `models.providers.mistral.apiKey` | | Ollama | `OLLAMA_API_KEY` (segnaposto) | -- | | 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 Usa `provider: "openai-compatible"` per un server generico `/v1/embeddings` compatibile con OpenAI che non deve ereditare le credenziali globali della chat OpenAI. URL di base API personalizzato. Sovrascrivi la chiave API. Header HTTP aggiuntivi (uniti ai predefiniti del provider). ```json5 { agents: { defaults: { memorySearch: { provider: "openai-compatible", model: "text-embedding-3-small", remote: { baseUrl: "https://api.example.com/v1/", apiKey: "YOUR_KEY", }, }, }, }, } ``` --- ## Configurazione specifica del provider | 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 | Cambiare modello o `outputDimensionality` modifica l'identità dell'indice. OpenClaw sospende la ricerca vettoriale finché non ricostruisci esplicitamente l'indice della memoria. Gli endpoint di embedding compatibili con OpenAI possono attivare campi di richiesta `input_type` specifici del provider. È utile per modelli di embedding asimmetrici che richiedono etichette diverse per gli 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` al momento della query; sovrascrive `inputType` | | `documentInputType` | `string` | non impostato | `input_type` di indice/documento; sovrascrive `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", }, }, }, } ``` Cambiare questi valori influisce sull'identità della cache degli embedding per l'indicizzazione batch del provider e dovrebbe essere seguito da una reindicizzazione della memoria quando il modello upstream tratta le etichette in modo diverso. ### Configurazione degli embedding Bedrock Bedrock usa la catena di credenziali predefinita dell'AWS SDK: non servono chiavi API. Se OpenClaw viene eseguito su EC2 con un ruolo istanza abilitato per Bedrock, imposta semplicemente provider e modello: ```json5 { 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 predefiniti delle dimensioni): | ID modello | Fornitore | 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 di base. **Autenticazione:** l'autenticazione Bedrock usa l'ordine standard di risoluzione delle credenziali dell'AWS SDK: 1. Variabili d'ambiente (`AWS_ACCESS_KEY_ID` + `AWS_SECRET_ACCESS_KEY`) 2. Cache dei token SSO 3. Credenziali con token di identità web 4. File di credenziali e configurazione condivisi 5. Credenziali dei metadati ECS o EC2 La regione viene risolta da `AWS_REGION`, `AWS_DEFAULT_REGION`, dal `baseUrl` del provider `amazon-bedrock` oppure usa come impostazione predefinita `us-east-1`. **Autorizzazioni IAM:** il ruolo o l'utente IAM necessita di: ```json { "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 ``` | 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 contempo la VRAM non legata ai pesi. Riducila a 1024-2048 su host vincolati. `"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). | Installa prima il provider ufficiale llama.cpp: `openclaw plugins install @openclaw/llama-cpp-provider`. Modello predefinito: `embeddinggemma-300m-qat-Q8_0.gguf` (~0,6 GB, scaricato automaticamente). I checkout sorgente richiedono ancora l'approvazione della build nativa: `pnpm approve-builds`, poi `pnpm rebuild node-llama-cpp`. Usa la CLI autonoma per verificare lo stesso percorso del provider usato dal Gateway: ```bash openclaw memory status --deep --agent main openclaw memory index --force --agent main ``` Imposta esplicitamente `provider: "local"` per gli embedding GGUF locali. I riferimenti a modelli `hf:` e HTTP(S) sono supportati per configurazioni locali esplicite, ma non modificano il provider predefinito. ### Timeout degli embedding inline Sovrascrive il timeout per i batch di embedding inline durante l'indicizzazione della memoria. Se non impostato, usa il valore predefinito del provider: 600 secondi per provider locali/autogestiti come `local`, `ollama` e `lmstudio`, e 120 secondi per provider in hosting. Aumenta questo valore quando i batch di embedding locali vincolati dalla CPU funzionano correttamente ma sono 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 | | Chiave | Tipo | Predefinito | Descrizione | | ------------- | --------- | ------- | ------------------------------------ | | `mmr.enabled` | `boolean` | `false` | Abilita il riordinamento MMR | | `mmr.lambda` | `number` | `0.7` | 0 = massima diversità, 1 = massima pertinenza | | 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 senza data in `memory/`) non vengono mai ridotti. ### Esempio completo ```json5 { agents: { defaults: { memorySearch: { query: { hybrid: { vectorWeight: 0.7, textWeight: 0.3, mmr: { enabled: true, lambda: 0.7 }, temporalDecay: { enabled: true, halfLifeDays: 30 }, }, }, }, }, }, } ``` --- ## Percorsi di memoria aggiuntivi | Chiave | Tipo | Descrizione | | ------------ | ---------- | ------------------------------------------------ | | `extraPaths` | `string[]` | Directory o file aggiuntivi da indicizzare | ```json5 { agents: { defaults: { memorySearch: { extraPaths: ["../team-docs", "/srv/shared-notes"], }, }, }, } ``` I percorsi possono essere assoluti o relativi al workspace. Le directory vengono analizzate 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 delle trascrizioni tra agenti con ambito dell'agente, usa `agents.list[].memorySearch.qmd.extraCollections` invece di `memory.qmd.paths`. Queste raccolte aggiuntive seguono la stessa forma `{ path, name, pattern? }`, ma vengono unite per agente e possono preservare nomi condivisi espliciti quando il percorso punta all'esterno del 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 a 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 del file da indicizzare | Si applica solo ai file in `extraPaths`. Le radici di memoria predefinite restano limitate a 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` | `true` | Memorizza nella cache gli embedding dei blocchi in SQLite | | `cache.maxEntries` | `number` | `50000` | Numero massimo di embedding memorizzati nella cache | Evita di rigenerare gli embedding per 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` | Processi 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 veloce ed economico per grandi backfill. `remote.nonBatchConcurrency` controlla le chiamate di embedding inline usate dai provider locali/autogestiti 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 di sessione (sperimentale) Indicizza le trascrizioni delle sessioni e le espone 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 facoltativa 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. Anche le corrispondenze nelle trascrizioni delle sessioni rispettano [`tools.sessions.visibility`](/it/gateway/config-tools#toolssessions). La visibilità predefinita `tree` espone solo la sessione corrente e le sessioni che ha generato. Per richiamare da una sessione diversa, come un DM, una sessione non correlata dello stesso agente inviata tramite Gateway, estendi intenzionalmente la visibilità a `agent` (o a `all` solo quando è richiesto anche il richiamo tra agenti e la policy da agente ad agente lo consente). Gli esempi seguenti collocano queste impostazioni sotto `agents.defaults`. Puoi anche applicare impostazioni `memorySearch` equivalenti in un override per agente quando solo un agente deve indicizzare e cercare nelle trascrizioni delle sessioni. Per il richiamo dallo stesso agente da Gateway a DM: ```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" }, }, } ``` Quando usi QMD, `agents.defaults.memorySearch.experimental.sessionMemory` e `sources: ["sessions"]` da soli non esportano le trascrizioni in QMD. Imposta anche `memory.qmd.sessions.enabled: true`. --- ## 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 | Sovrascrive il percorso di sqlite-vec | Quando sqlite-vec non è disponibile, OpenClaw torna automaticamente alla similarità coseno in-process. --- ## Archiviazione degli indici Gli indici di memoria integrati si trovano nel database SQLite OpenClaw di ciascun agente in `agents//agent/openclaw-agent.sqlite`. | Chiave | Tipo | Predefinito | Descrizione | | --------------------- | -------- | ----------- | ------------------------------------------ | | `store.fts.tokenizer` | `string` | `unicode61` | Tokenizer FTS5 (`unicode61` o `trigram`) | --- ## Configurazione del backend QMD Imposta `memory.backend = "qmd"` per abilitarlo. Tutte le impostazioni QMD si trovano 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` | | `rerank` | `boolean` | -- | Imposta su `false` con `searchMode: "query"` e QMD 2.1+ per saltare il reranking di QMD | | `includeDefaultMemory` | `boolean` | `true` | Indicizza automaticamente `MEMORY.md` + `memory/**/*.md` | | `paths[]` | `array` | -- | Percorsi aggiuntivi: `{ name, path, pattern? }` | | `sessions.enabled` | `boolean` | `false` | Esporta le trascrizioni delle sessioni in QMD | | `sessions.retentionDays` | `number` | -- | Conservazione delle trascrizioni | | `sessions.exportDir` | `string` | -- | Directory di esportazione | `searchMode: "search"` è solo lessicale/BM25. OpenClaw non esegue probe 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 e gli embedding QMD. `rerank: false` modifica solo la modalità `query` di QMD e richiede QMD 2.1 o versione successiva. In modalità CLI diretta OpenClaw passa `--no-rerank`; in modalità MCP basata su mcporter passa `rerank: false` allo strumento di query unificato di QMD. Lascialo non impostato per usare il comportamento predefinito di reranking delle query di QMD. OpenClaw preferisce le forme correnti di collection QMD e query MCP, ma mantiene funzionanti le versioni QMD precedenti provando, quando necessario, flag di pattern di collection compatibili e nomi di strumenti MCP più vecchi. Quando QMD dichiara il supporto per più filtri di collection, le collection della stessa sorgente vengono cercate con un unico processo QMD; le build QMD più vecchie mantengono il percorso di compatibilità per collection. Stessa sorgente significa che le collection di memoria durevole vengono raggruppate insieme, mentre le collection delle trascrizioni delle sessioni rimangono un gruppo separato affinché la diversificazione delle sorgenti abbia 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. | Chiave | Tipo | Predefinito | Descrizione | | ------------------------- | --------- | ----------- | ------------------------------------- | | `update.interval` | `string` | `5m` | Intervallo di aggiornamento | | `update.debounceMs` | `number` | `15000` | Applica debounce alle modifiche dei file | | `update.onBoot` | `boolean` | `true` | Aggiorna quando si apre il gestore QMD di lunga durata; imposta false per saltare l'aggiornamento immediato all'avvio | | `update.startup` | `string` | `off` | Inizializzazione QMD 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 degli embed | | `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 embed QMD | | 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 | Controlla quali sessioni possono ricevere risultati di ricerca QMD. Stesso schema di [`session.sendPolicy`](/it/gateway/config-agents#session): ```json5 { memory: { qmd: { scope: { default: "deny", rules: [{ action: "allow", match: { chatType: "direct" } }], }, }, }, } ``` Il valore predefinito distribuito consente le 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::`. `memory.citations` si applica a tutti i backend: | Valore | Comportamento | | ---------------- | -------------------------------------------------- | | `auto` (predefinito) | Include il piè di pagina `Source: ` negli snippet | | `on` | Include sempre il piè di pagina | | `off` | Omette il piè di pagina (il percorso viene comunque passato internamente all'agente) | Quando l'inizializzazione QMD all'avvio del Gateway è abilitata, OpenClaw avvia QMD solo per gli agenti idonei. Se `update.onBoot` è true e non è configurata alcuna manutenzione di intervallo/embed, l'avvio usa un gestore monouso per l'aggiornamento di boot e lo chiude. Se è configurato un intervallo di aggiornamento o embed, l'avvio apre il gestore QMD di lunga durata, così può gestire il watcher e i timer di intervallo; `update.onBoot: false` salta solo l'aggiornamento immediato di boot. ### Esempio QMD completo ```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 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 implementativo. Per il comportamento concettuale e i comandi slash, consulta [Dreaming](/it/concepts/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 | | `phases.deep.maxPromotedSnippetTokens` | `number` | `160` | Numero massimo di token stimati mantenuti da ogni snippet di richiamo a breve termine promosso in `MEMORY.md`; i metadati di provenienza restano visibili | ### Esempio ```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 scrive lo stato macchina in `memory/.dreams/`. - Dreaming scrive l'output narrativo leggibile dall'uomo in `DREAMS.md` (o nell'esistente `dreams.md`). - `dreaming.model` usa il gate di attendibilità del subagente del Plugin esistente; imposta `plugins.entries.memory-core.subagent.allowModelOverride: true` prima di abilitarlo. - Dream Diary ritenta una volta con il modello predefinito della sessione quando il modello configurato non è disponibile. Gli errori di attendibilità o allowlist vengono registrati e non vengono ritentati silenziosamente. - La policy e le soglie delle fasi light/deep/REM sono comportamento interno, non configurazione rivolta all'utente. ## Correlati - [Riferimento alla configurazione](/it/gateway/configuration-reference) - [Panoramica della memoria](/it/concepts/memory) - [Ricerca nella memoria](/it/concepts/memory-search)