--- read_when: - Вы хотите понять, как работает memory_search - Вы хотите выбрать провайдера эмбеддингов - Вы хотите настроить качество поиска summary: Как поиск в памяти находит релевантные заметки с помощью эмбеддингов и гибридного поиска title: Поиск в памяти x-i18n: generated_at: "2026-06-28T22:50:25Z" model: gpt-5.5 postprocess_version: locale-links-v1 provider: openai source_hash: 32ffb9d996851566eb92b7812c5425f545ecbb5387a0a445686df35a6c8ae143 source_path: concepts/memory-search.md workflow: 16 --- `memory_search` находит релевантные заметки в ваших файлах памяти, даже когда формулировка отличается от исходного текста. Он работает, индексируя память на небольшие фрагменты и выполняя поиск по ним с помощью эмбеддингов, ключевых слов или обоих способов. ## Быстрый старт По умолчанию поиск по памяти использует эмбеддинги OpenAI. Чтобы использовать другой бэкенд эмбеддингов, явно задайте провайдера: ```json5 { agents: { defaults: { memorySearch: { provider: "openai", // or "gemini", "local", "ollama", "openai-compatible", etc. }, }, }, } ``` Для конфигураций с несколькими конечными точками и провайдерами, выделенными для памяти, `provider` также может быть пользовательской записью `models.providers.`, например `ollama-5080`, если этот провайдер задает `api: "ollama"` или другого владельца адаптера эмбеддингов памяти. Для локальных эмбеддингов без API-ключа установите `@openclaw/llama-cpp-provider` и задайте `provider: "local"`. Исходные checkout могут по-прежнему требовать подтверждения нативной сборки: `pnpm approve-builds`, затем `pnpm rebuild node-llama-cpp`. Некоторые OpenAI-compatible конечные точки эмбеддингов требуют асимметричные метки, например `input_type: "query"` для поиска и `input_type: "document"` или `"passage"` для индексируемых фрагментов. Настройте их через `memorySearch.queryInputType` и `memorySearch.documentInputType`; см. [справочник по конфигурации памяти](/ru/reference/memory-config#provider-specific-config). ## Поддерживаемые провайдеры | Провайдер | ID | Нужен API-ключ | Примечания | | ----------------- | ------------------- | -------------- | -------------------------------- | | Bedrock | `bedrock` | Нет | Использует цепочку учетных данных AWS | | DeepInfra | `deepinfra` | Да | По умолчанию: `BAAI/bge-m3` | | Gemini | `gemini` | Да | Поддерживает индексирование изображений и аудио | | GitHub Copilot | `github-copilot` | Нет | Использует подписку Copilot | | Local | `local` | Нет | Модель GGUF, загрузка ~0,6 ГБ | | Mistral | `mistral` | Да | | | Ollama | `ollama` | Нет | Локальный/самостоятельно размещаемый | | OpenAI | `openai` | Да | По умолчанию | | OpenAI-compatible | `openai-compatible` | Обычно | Универсальный `/v1/embeddings` | | Voyage | `voyage` | Да | | ## Как работает поиск OpenClaw запускает два пути извлечения параллельно и объединяет результаты: ```mermaid flowchart LR Q["Query"] --> E["Embedding"] Q --> T["Tokenize"] E --> VS["Vector Search"] T --> BM["BM25 Search"] VS --> M["Weighted Merge"] BM --> M M --> R["Top Results"] ``` - **Векторный поиск** находит заметки с похожим смыслом (`"gateway host"` совпадает с `"the machine running OpenClaw"`). - **Ключевой поиск BM25** находит точные совпадения (ID, строки ошибок, ключи конфигурации). Если доступен только один путь, другой работает самостоятельно. Намеренный режим только FTS (`provider: "none"`) и автоматический выбор провайдера или выбор по умолчанию все еще могут использовать лексическое ранжирование, когда эмбеддинги недоступны. Явно заданные нелокальные провайдеры эмбеддингов работают иначе. Если вы задаете `memorySearch.provider` как конкретного провайдера с удаленным бэкендом, а этот провайдер недоступен во время выполнения, `memory_search` сообщает, что память недоступна, вместо тихого использования результатов только FTS. Это делает сломанный настроенный семантический провайдер заметным. Задайте `provider: "none"` для намеренного поиска только по FTS или исправьте конфигурацию провайдера/авторизации, чтобы восстановить семантическое ранжирование. ## Улучшение качества поиска Две необязательные функции помогают при большой истории заметок: ### Временное затухание Старые заметки постепенно теряют вес в ранжировании, чтобы свежая информация появлялась первой. При периоде полураспада по умолчанию в 30 дней заметка из прошлого месяца получает 50% от исходного веса. Постоянные файлы вроде `MEMORY.md` никогда не затухают. Включите временное затухание, если у вашего агента есть месяцы ежедневных заметок, а устаревшая информация продолжает ранжироваться выше недавнего контекста. ### MMR (разнообразие) Сокращает избыточные результаты. Если пять заметок упоминают одну и ту же конфигурацию роутера, MMR гарантирует, что верхние результаты охватывают разные темы, а не повторяются. Включите MMR, если `memory_search` продолжает возвращать почти одинаковые фрагменты из разных ежедневных заметок. ### Включить оба ```json5 { agents: { defaults: { memorySearch: { query: { hybrid: { mmr: { enabled: true }, temporalDecay: { enabled: true }, }, }, }, }, }, } ``` ## Мультимодальная память С Gemini Embedding 2 можно индексировать изображения и аудиофайлы вместе с Markdown. Поисковые запросы остаются текстовыми, но они сопоставляются с визуальным и аудиоконтентом. Инструкции по настройке см. в [справочнике по конфигурации памяти](/ru/reference/memory-config). ## Поиск по памяти сеанса При желании можно индексировать стенограммы сеансов, чтобы `memory_search` мог вспоминать более ранние разговоры. Это включается явно через `memorySearch.experimental.sessionMemory` и `sources: ["sessions"]`; список источников по умолчанию ограничен только памятью. Экспериментальный флаг включает индексирование стенограмм сеансов, а `sources` управляет тем, выполняется ли поиск по фрагментам сеансов. Попадания по сеансам подчиняются `tools.sessions.visibility`: настройка `tree` по умолчанию раскрывает только текущий сеанс и сеансы, которые он породил. Чтобы вспомнить не связанный с ним сеанс того же агента, отправленный Gateway из отдельного сеанса DM, намеренно расширьте видимость до `agent`. При использовании QMD также задайте `memory.qmd.sessions.enabled: true`, чтобы стенограммы экспортировались в коллекцию QMD. Подробности см. в [справочнике по конфигурации](/ru/reference/memory-config). ## Устранение неполадок **Нет результатов?** Запустите `openclaw memory status`, чтобы проверить индекс. Если он пуст, выполните `openclaw memory index --force`. **Только совпадения по ключевым словам?** Возможно, ваш провайдер эмбеддингов не настроен. Проверьте `openclaw memory status --deep`. **Локальные эмбеддинги завершаются по тайм-ауту?** `ollama`, `lmstudio` и `local` по умолчанию используют более долгий встроенный тайм-аут пакетной обработки. Если хост просто медленный, задайте `agents.defaults.memorySearch.sync.embeddingBatchTimeoutSeconds` и повторно запустите `openclaw memory index --force`. **Текст CJK не найден?** Перестройте индекс FTS с помощью `openclaw memory index --force`. ## Дополнительные материалы - [Active Memory](/ru/concepts/active-memory) -- память субагента для интерактивных чат-сеансов - [Память](/ru/concepts/memory) -- структура файлов, бэкенды, инструменты - [Справочник по конфигурации памяти](/ru/reference/memory-config) -- все параметры конфигурации ## Связанное - [Обзор памяти](/ru/concepts/memory) - [Active Memory](/ru/concepts/active-memory) - [Встроенный движок памяти](/ru/concepts/memory-builtin)