Referência de configuração de memória

Esta página lista todos os controles de configuração para a busca de memória do OpenClaw. Para visões gerais conceituais, consulte:

Visão geral da memória

Como a memória funciona.

Motor integrado

Backend SQLite padrão.

Motor QMD

Sidecar local-first.

Busca de memória

Pipeline de busca e ajuste.

Memória ativa

Subagente de memória para sessões interativas.

Todas as configurações de busca de memória ficam em agents.defaults.memorySearch no openclaw.json, salvo indicação em contrário.

Se você está procurando a alternância do recurso active memory e a configuração do subagente, isso fica em plugins.entries.active-memory em vez de memorySearch.A memória ativa usa um modelo de dois gates:

o Plugin deve estar habilitado e mirar o ID do agente atual
a solicitação deve ser uma sessão de chat persistente interativa elegível

Consulte Active Memory para ver o modelo de ativação, a configuração pertencente ao Plugin, a persistência da transcrição e o padrão de implantação segura.

Seleção do provedor

Chave	Tipo	Padrão	Descrição
`provider`	`string`	detectado automaticamente	ID do adaptador de embedding, como `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai` ou `voyage`; também pode ser um `models.providers.<id>` configurado cujo `api` aponta para um desses adaptadores
`model`	`string`	padrão do provedor	Nome do modelo de embedding
`fallback`	`string`	`"none"`	ID do adaptador de fallback quando o principal falha
`enabled`	`boolean`	`true`	Habilita ou desabilita a busca de memória

Ordem de detecção automática

Quando provider não está definido, o OpenClaw seleciona o primeiro disponível:

local

Selecionado se memorySearch.local.modelPath estiver configurado e o arquivo existir.

github-copilot

Selecionado se um token do GitHub Copilot puder ser resolvido (variável de ambiente ou perfil de autenticação).

openai

Selecionado se uma chave da OpenAI puder ser resolvida.

gemini

Selecionado se uma chave do Gemini puder ser resolvida.

voyage

Selecionado se uma chave do Voyage puder ser resolvida.

mistral

Selecionado se uma chave do Mistral puder ser resolvida.

deepinfra

Selecionado se uma chave do DeepInfra puder ser resolvida.

bedrock

Selecionado se a cadeia de credenciais do AWS SDK for resolvida (função de instância, chaves de acesso, perfil, SSO, identidade web ou configuração compartilhada).

ollama é compatível, mas não é detectado automaticamente (defina explicitamente).

IDs de provedores personalizados

memorySearch.provider pode apontar para uma entrada personalizada models.providers.<id>. O OpenClaw resolve o proprietário api desse provedor para o adaptador de embedding, preservando o ID personalizado do provedor para o tratamento de endpoint, autenticação e prefixo de modelo. Isso permite que configurações com múltiplas GPUs ou múltiplos hosts dediquem embeddings de memória a um endpoint local específico:

{
  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",
      },
    },
  },
}

Resolução de chave de API

Embeddings remotos exigem uma chave de API. Em vez disso, o Bedrock usa a cadeia de credenciais padrão do AWS SDK (funções de instância, SSO, chaves de acesso).

Provedor	Variável de ambiente	Chave de configuração
Bedrock	Cadeia de credenciais da AWS	Nenhuma chave de API necessária
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`	Perfil de autenticação via login por 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`

O OAuth do Codex cobre apenas chat/conclusões e não atende a solicitações de embedding.

Configuração de endpoint remoto

Para endpoints personalizados compatíveis com OpenAI ou para substituir os padrões do provedor:

remote.baseUrl

string

URL base personalizada da API.

remote.apiKey

string

Substitui a chave de API.

remote.headers

object

Cabeçalhos HTTP extras (mesclados com os padrões do provedor).

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

Configuração específica do provedor

Gemini

Chave	Tipo	Padrão	Descrição
`model`	`string`	`gemini-embedding-001`	Também oferece suporte a `gemini-embedding-2-preview`
`outputDimensionality`	`number`	`3072`	Para Embedding 2: 768, 1536 ou 3072

Alterar o modelo ou outputDimensionality aciona uma reindexação completa automática.

Tipos de entrada compatíveis com OpenAI

Endpoints de embedding compatíveis com OpenAI podem optar por campos de solicitação input_type específicos do provedor. Isso é útil para modelos de embedding assimétricos que exigem rótulos diferentes para embeddings de consulta e documento.

Chave	Tipo	Padrão	Descrição
`inputType`	`string`	não definido	`input_type` compartilhado para embeddings de consulta e documento
`queryInputType`	`string`	não definido	`input_type` em tempo de consulta; substitui `inputType`
`documentInputType`	`string`	não definido	`input_type` de índice/documento; substitui `inputType`

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

Alterar esses valores afeta a identidade do cache de embedding para indexação em lote do provedor e deve ser seguido por uma reindexação da memória quando o modelo upstream trata os rótulos de forma diferente.

Bedrock

Configuração de embedding do Bedrock

O Bedrock usa a cadeia de credenciais padrão do AWS SDK — nenhuma chave de API é necessária. Se o OpenClaw for executado no EC2 com uma função de instância habilitada para Bedrock, basta definir o provedor e o modelo:

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

Chave	Tipo	Padrão	Descrição
`model`	`string`	`amazon.titan-embed-text-v2:0`	Qualquer ID de modelo de embedding do Bedrock
`outputDimensionality`	`number`	padrão do modelo	Para Titan V2: 256, 512 ou 1024

Modelos compatíveis (com detecção de família e dimensões padrão):

ID do modelo	Provedor	Dimensões padrão	Dimensões configuráveis
`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	—

Variantes com sufixo de taxa de transferência (por exemplo, amazon.titan-embed-text-v1:2:8k) herdam a configuração do modelo base.Autenticação: a autenticação do Bedrock usa a ordem padrão de resolução de credenciais do AWS SDK:

Variáveis de ambiente (AWS_ACCESS_KEY_ID + AWS_SECRET_ACCESS_KEY)
Cache de token SSO
Credenciais de token de identidade web
Arquivos compartilhados de credenciais e configuração
Credenciais de metadados ECS ou EC2

A região é resolvida a partir de AWS_REGION, AWS_DEFAULT_REGION, do baseUrl do provedor amazon-bedrock ou usa us-east-1 como padrão.Permissões IAM: a função ou o usuário IAM precisa de:

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

Para privilégio mínimo, restrinja InvokeModel ao modelo específico:

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

Local (GGUF + node-llama-cpp)

Chave	Tipo	Padrão	Descrição
`local.modelPath`	`string`	baixado automaticamente	Caminho para o arquivo de modelo GGUF
`local.modelCacheDir`	`string`	padrão do node-llama-cpp	Diretório de cache para modelos baixados
`local.contextSize`	`number \| "auto"`	`4096`	Tamanho da janela de contexto para o contexto de incorporação. 4096 cobre blocos típicos (128–512 tokens) enquanto limita a VRAM que não é de pesos. Reduza para 1024–2048 em hosts restritos. `"auto"` usa o máximo treinado do modelo — não recomendado para modelos 8B+ (Qwen3-Embedding-8B: 40.960 tokens → ~32 GB de VRAM contra ~8,8 GB em 4096).

Modelo padrão: embeddinggemma-300m-qat-Q8_0.gguf (~0,6 GB, baixado automaticamente). Checkouts do código-fonte ainda exigem aprovação de compilação nativa: pnpm approve-builds e depois pnpm rebuild node-llama-cpp.Use a CLI independente para verificar o mesmo caminho de provedor que o Gateway usa:

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

Se provider for auto, local será selecionado apenas quando local.modelPath apontar para um arquivo local existente. Referências de modelo hf: e HTTP(S) ainda podem ser usadas explicitamente com provider: "local", mas elas não fazem auto selecionar local antes que o modelo esteja disponível em disco.

Tempo limite de incorporação em linha

sync.embeddingBatchTimeoutSeconds

number

Substitui o tempo limite para lotes de incorporação em linha durante a indexação de memória.Quando não definido, usa o padrão do provedor: 600 segundos para provedores locais/auto-hospedados, como local, ollama e lmstudio, e 120 segundos para provedores hospedados. Aumente isso quando os lotes de incorporação locais limitados por CPU estiverem íntegros, mas lentos.

Configuração de busca híbrida

Tudo em memorySearch.query.hybrid:

Chave	Tipo	Padrão	Descrição
`enabled`	`boolean`	`true`	Habilita busca híbrida BM25 + vetorial
`vectorWeight`	`number`	`0.7`	Peso das pontuações vetoriais (0-1)
`textWeight`	`number`	`0.3`	Peso das pontuações BM25 (0-1)
`candidateMultiplier`	`number`	`4`	Multiplicador do tamanho do conjunto de candidatos

MMR (diversidade)
Decaimento temporal (recentidade)

Chave	Tipo	Padrão	Descrição
`mmr.enabled`	`boolean`	`false`	Habilita reclassificação por MMR
`mmr.lambda`	`number`	`0.7`	0 = diversidade máx., 1 = relevância máx.

Chave	Tipo	Padrão	Descrição
`temporalDecay.enabled`	`boolean`	`false`	Habilita reforço por recentidade
`temporalDecay.halfLifeDays`	`number`	`30`	A pontuação é reduzida pela metade a cada N dias

Arquivos perenes (MEMORY.md, arquivos sem data em memory/) nunca sofrem decaimento.

Exemplo completo

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

Caminhos de memória adicionais

Chave	Tipo	Descrição
`extraPaths`	`string[]`	Diretórios ou arquivos adicionais para indexar

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

Os caminhos podem ser absolutos ou relativos ao workspace. Diretórios são varridos recursivamente em busca de arquivos .md. O tratamento de symlinks depende do backend ativo: o mecanismo integrado ignora symlinks, enquanto o QMD segue o comportamento do scanner QMD subjacente. Para busca de transcrições entre agentes com escopo de agente, use agents.list[].memorySearch.qmd.extraCollections em vez de memory.qmd.paths. Essas coleções extras seguem o mesmo formato { path, name, pattern? }, mas são mescladas por agente e podem preservar nomes compartilhados explícitos quando o caminho aponta para fora do workspace atual. Se o mesmo caminho resolvido aparecer em memory.qmd.paths e memorySearch.qmd.extraCollections, o QMD mantém a primeira entrada e pula a duplicata.

Memória multimodal (Gemini)

Indexe imagens e áudio junto com Markdown usando Gemini Embedding 2:

Chave	Tipo	Padrão	Descrição
`multimodal.enabled`	`boolean`	`false`	Habilita indexação multimodal
`multimodal.modalities`	`string[]`	—	`["image"]`, `["audio"]` ou `["all"]`
`multimodal.maxFileBytes`	`number`	`10000000`	Tamanho máximo de arquivo para indexação

Aplica-se somente a arquivos em extraPaths. As raízes de memória padrão permanecem apenas em Markdown. Requer gemini-embedding-2-preview. fallback deve ser "none".

Formatos compatíveis: .jpg, .jpeg, .png, .webp, .gif, .heic, .heif (imagens); .mp3, .wav, .ogg, .opus, .m4a, .aac, .flac (áudio).

Cache de embeddings

Chave	Tipo	Padrão	Descrição
`cache.enabled`	`boolean`	`false`	Armazena embeddings de chunks em SQLite
`cache.maxEntries`	`number`	`50000`	Máximo de embeddings em cache

Impede a regeração de embeddings de texto inalterado durante reindexação ou atualizações de transcrições.

Indexação em lote

Chave	Tipo	Padrão	Descrição
`remote.nonBatchConcurrency`	`number`	`4`	Embeddings inline paralelos
`remote.batch.enabled`	`boolean`	`false`	Habilita API de embedding em lote
`remote.batch.concurrency`	`number`	`2`	Jobs em lote paralelos
`remote.batch.wait`	`boolean`	`true`	Aguarda a conclusão do lote
`remote.batch.pollIntervalMs`	`number`	—	Intervalo de sondagem
`remote.batch.timeoutMinutes`	`number`	—	Timeout do lote

Disponível para openai, gemini e voyage. O lote da OpenAI costuma ser o mais rápido e barato para grandes preenchimentos retroativos. remote.nonBatchConcurrency controla chamadas de embedding inline usadas por provedores locais/auto-hospedados e provedores hospedados quando APIs de lote do provedor não estão ativas. O Ollama usa 1 por padrão para indexação sem lote para evitar sobrecarregar hosts locais menores; defina um valor maior em máquinas mais robustas. Isso é separado de sync.embeddingBatchTimeoutSeconds, que controla o timeout para chamadas de embedding inline.

Busca na memória de sessão (experimental)

Indexa transcrições de sessão e as expõe via memory_search:

Chave	Tipo	Padrão	Descrição
`experimental.sessionMemory`	`boolean`	`false`	Habilita a indexação de sessões
`sources`	`string[]`	`["memory"]`	Adicione `"sessions"` para incluir transcrições
`sync.sessions.deltaBytes`	`number`	`100000`	Limite de bytes para reindexação
`sync.sessions.deltaMessages`	`number`	`50`	Limite de mensagens para reindexação

A indexação de sessões é opcional e executa de forma assíncrona. Os resultados podem estar ligeiramente desatualizados. Os logs de sessão ficam no disco, então trate o acesso ao sistema de arquivos como o limite de confiança.

Aceleração vetorial do SQLite (sqlite-vec)

Chave	Tipo	Padrão	Descrição
`store.vector.enabled`	`boolean`	`true`	Usa sqlite-vec para consultas vetoriais
`store.vector.extensionPath`	`string`	bundled	Substitui o caminho do sqlite-vec

Quando sqlite-vec está indisponível, o OpenClaw recorre automaticamente à similaridade de cosseno em processo.

Armazenamento do índice

Chave	Tipo	Padrão	Descrição
`store.path`	`string`	`~/.openclaw/memory/{agentId}.sqlite`	Local do índice (compatível com token `{agentId}`)
`store.fts.tokenizer`	`string`	`unicode61`	Tokenizador FTS5 (`unicode61` ou `trigram`)

Configuração do backend QMD

Defina memory.backend = "qmd" para habilitar. Todas as configurações de QMD ficam em memory.qmd:

Chave	Tipo	Padrão	Descrição
`command`	`string`	`qmd`	Caminho do executável QMD; defina um caminho absoluto quando o `PATH` do serviço diferir do seu shell
`searchMode`	`string`	`search`	Comando de busca: `search`, `vsearch`, `query`
`includeDefaultMemory`	`boolean`	`true`	Indexa automaticamente `MEMORY.md` + `memory/*/.md`
`paths[]`	`array`	—	Caminhos extras: `{ name, path, pattern? }`
`sessions.enabled`	`boolean`	`false`	Indexa transcrições de sessão
`sessions.retentionDays`	`number`	—	Retenção de transcrições
`sessions.exportDir`	`string`	—	Diretório de exportação

searchMode: "search" é apenas lexical/BM25. O OpenClaw não executa sondagens de prontidão de vetores semânticos nem manutenção de embeddings do QMD para esse modo, inclusive durante memory status --deep; vsearch e query continuam exigindo prontidão de vetores e embeddings do QMD. O OpenClaw prefere a coleção atual do QMD e os formatos de consulta MCP, mas mantém versões antigas do QMD funcionando ao tentar flags de padrão de coleção compatíveis e nomes de ferramentas MCP mais antigos quando necessário. Quando o QMD anuncia suporte a vários filtros de coleção, coleções da mesma origem são pesquisadas com um único processo do QMD; builds antigos do QMD mantêm o caminho de compatibilidade por coleção. Mesma origem significa que coleções de memória durável são agrupadas, enquanto coleções de transcrições de sessão permanecem em um grupo separado para que a diversificação de origem ainda tenha ambas as entradas.

Substituições de modelo do QMD permanecem no lado do QMD, não na configuração do OpenClaw. Se você precisar substituir globalmente os modelos do QMD, defina variáveis de ambiente como QMD_EMBED_MODEL, QMD_RERANK_MODEL e QMD_GENERATE_MODEL no ambiente de runtime do gateway.

Cronograma de atualização

Chave	Tipo	Padrão	Descrição
`update.interval`	`string`	`5m`	Intervalo de atualização
`update.debounceMs`	`number`	`15000`	Aplica debounce a alterações de arquivos
`update.onBoot`	`boolean`	`true`	Atualiza quando o gerenciador QMD de longa duração abre; também controla a atualização de inicialização opcional
`update.startup`	`string`	`off`	Atualização opcional ao iniciar o gateway: `off`, `idle` ou `immediate`
`update.startupDelayMs`	`number`	`120000`	Atraso antes da execução da atualização `startup: "idle"`
`update.waitForBootSync`	`boolean`	`false`	Bloqueia a abertura do gerenciador até que a atualização inicial seja concluída
`update.embedInterval`	`string`	—	Cadência separada de embed
`update.commandTimeoutMs`	`number`	—	Timeout para comandos QMD
`update.updateTimeoutMs`	`number`	—	Timeout para operações de atualização do QMD
`update.embedTimeoutMs`	`number`	—	Timeout para operações de embed do QMD

Limites

Chave	Tipo	Padrão	Descrição
`limits.maxResults`	`number`	`6`	Máximo de resultados de busca
`limits.maxSnippetChars`	`number`	—	Limita o tamanho do snippet
`limits.maxInjectedChars`	`number`	—	Limita o total de caracteres injetados
`limits.timeoutMs`	`number`	`4000`	Timeout de busca

Escopo

Controla quais sessões podem receber resultados de busca QMD. Mesmo esquema de session.sendPolicy:

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

O padrão entregue permite sessões diretas e de canal, enquanto ainda nega grupos.O padrão é apenas DM. match.keyPrefix corresponde à chave de sessão normalizada; match.rawKeyPrefix corresponde à chave bruta incluindo agent:<id>:.

Citações

memory.citations se aplica a todos os backends:

Valor	Comportamento
`auto` (padrão)	Inclui rodapé `Source: <path#line>` nos snippets
`on`	Sempre inclui rodapé
`off`	Omite rodapé (o caminho ainda é passado ao agente internamente)

Atualizações de boot do QMD usam um caminho de subprocesso único durante a inicialização do gateway. O gerenciador QMD de longa duração ainda é responsável pelo observador de arquivos regular e pelos temporizadores de intervalo quando a busca de memória é aberta para uso interativo.

Exemplo completo de QMD

{
  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 é configurado em plugins.entries.memory-core.config.dreaming, não em agents.defaults.memorySearch. Dreaming executa uma única varredura agendada e usa fases internas leve/profunda/REM como detalhe de implementação. Para comportamento conceitual e comandos de barra, consulte Dreaming.

Configurações de usuário

Chave	Tipo	Padrão	Descrição
`enabled`	`boolean`	`false`	Ativa ou desativa dreaming completamente
`frequency`	`string`	`0 3 * * *`	Cadência cron opcional para a varredura completa de dreaming
`model`	`string`	modelo padrão	Substituição opcional do modelo do subagente Dream Diary

Exemplo

{
  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 grava estado de máquina em memory/.dreams/.
Dreaming grava saída narrativa legível por humanos em DREAMS.md (ou no dreams.md existente).
dreaming.model usa o gate de confiança de subagente de Plugin existente; defina plugins.entries.memory-core.subagent.allowModelOverride: true antes de ativá-lo.
Dream Diary tenta novamente uma vez com o modelo padrão da sessão quando o modelo configurado não está disponível. Falhas de confiança ou allowlist são registradas e não são repetidas silenciosamente.
A política e os limites das fases leve/profunda/REM são comportamento interno, não configuração voltada ao usuário.

CLI commands

RPC and API

Codex harness

Plugin reference

Plugin SDK reference

Plugin maintainer reference

Templates

Technical reference

Concept internals

Project

Release and CI

Referência de configuração de memória

Visão geral da memória

Motor integrado

Motor QMD

Busca de memória

Memória ativa

Seleção do provedor

Ordem de detecção automática

IDs de provedores personalizados

Resolução de chave de API

Configuração de endpoint remoto

Configuração específica do provedor

Configuração de embedding do Bedrock

Tempo limite de incorporação em linha

Configuração de busca híbrida

Exemplo completo

Caminhos de memória adicionais

Memória multimodal (Gemini)

Cache de embeddings

Indexação em lote

Busca na memória de sessão (experimental)

Aceleração vetorial do SQLite (sqlite-vec)

Armazenamento do índice

Configuração do backend QMD

Exemplo completo de QMD

Dreaming

Configurações de usuário

Exemplo

Relacionados

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

Visão geral da memória

Motor integrado

Motor QMD

Busca de memória

Memória ativa

​Seleção do provedor

​Ordem de detecção automática

​IDs de provedores personalizados

​Resolução de chave de API

​Configuração de endpoint remoto

​Configuração específica do provedor

​Configuração de embedding do Bedrock

​Tempo limite de incorporação em linha

​Configuração de busca híbrida

​Exemplo completo

​Caminhos de memória adicionais

​Memória multimodal (Gemini)

​Cache de embeddings

​Indexação em lote

​Busca na memória de sessão (experimental)

​Aceleração vetorial do SQLite (sqlite-vec)

​Armazenamento do índice

​Configuração do backend QMD

​Exemplo completo de QMD

​Dreaming

​Configurações de usuário

​Exemplo

​Relacionados

Seleção do provedor

Ordem de detecção automática

IDs de provedores personalizados

Resolução de chave de API

Configuração de endpoint remoto

Configuração específica do provedor

Configuração de embedding do Bedrock

Tempo limite de incorporação em linha

Configuração de busca híbrida

Exemplo completo

Caminhos de memória adicionais

Memória multimodal (Gemini)

Cache de embeddings

Indexação em lote

Busca na memória de sessão (experimental)

Aceleração vetorial do SQLite (sqlite-vec)

Armazenamento do índice

Configuração do backend QMD

Exemplo completo de QMD

Dreaming

Configurações de usuário

Exemplo

Relacionados