ข้อมูลอ้างอิงการกำหนดค่าหน่วยความจำ

หน้านี้แสดงรายการตัวเลือกการกำหนดค่าทั้งหมดสำหรับการค้นหาหน่วยความจำของ OpenClaw สำหรับภาพรวมเชิงแนวคิด โปรดดู:

ภาพรวมหน่วยความจำ

วิธีการทำงานของหน่วยความจำ

เอนจินในตัว

แบ็กเอนด์ SQLite เริ่มต้น

เอนจิน QMD

ไซด์คาร์แบบ local-first

การค้นหาหน่วยความจำ

ไปป์ไลน์การค้นหาและการปรับแต่ง

Active Memory

ซับเอเจนต์หน่วยความจำสำหรับเซสชันแบบโต้ตอบ

การตั้งค่าการค้นหาหน่วยความจำทั้งหมดอยู่ใต้ agents.defaults.memorySearch ใน openclaw.json เว้นแต่จะระบุไว้เป็นอย่างอื่น

หากคุณกำลังมองหาสวิตช์เปิดปิดฟีเจอร์ Active Memory และการกำหนดค่าซับเอเจนต์ สิ่งนั้นจะอยู่ใต้ plugins.entries.active-memory แทนที่จะเป็น memorySearchActive Memory ใช้โมเดลสองด่าน:

Plugin ต้องเปิดใช้งานและกำหนดเป้าหมายเป็น ID เอเจนต์ปัจจุบัน
คำขอต้องเป็นเซสชันแชทถาวรแบบโต้ตอบที่เข้าเกณฑ์

ดู Active Memory สำหรับโมเดลการเปิดใช้งาน การกำหนดค่าที่ Plugin เป็นเจ้าของ การคงอยู่ของทรานสคริปต์ และรูปแบบการเปิดใช้งานอย่างปลอดภัย

การเลือกผู้ให้บริการ

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`provider`	`string`	ตรวจพบอัตโนมัติ	ID อะแดปเตอร์ embedding เช่น `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai` หรือ `voyage`; อาจเป็น `models.providers.<id>` ที่กำหนดค่าไว้ ซึ่ง `api` ชี้ไปยังอะแดปเตอร์เหล่านั้นรายการใดรายการหนึ่ง
`model`	`string`	ค่าเริ่มต้นของผู้ให้บริการ	ชื่อโมเดล embedding
`fallback`	`string`	`"none"`	ID อะแดปเตอร์สำรองเมื่อตัวหลักล้มเหลว
`enabled`	`boolean`	`true`	เปิดหรือปิดการค้นหาหน่วยความจำ

ลำดับการตรวจพบอัตโนมัติ

เมื่อไม่ได้ตั้งค่า provider OpenClaw จะเลือกตัวแรกที่พร้อมใช้งาน:

local

เลือกหากกำหนดค่า memorySearch.local.modelPath ไว้และไฟล์มีอยู่จริง

github-copilot

เลือกหากสามารถแก้ค่าโทเค็น GitHub Copilot ได้ (ตัวแปรสภาพแวดล้อมหรือโปรไฟล์การยืนยันตัวตน)

openai

เลือกหากสามารถแก้ค่า OpenAI key ได้

gemini

เลือกหากสามารถแก้ค่า Gemini key ได้

voyage

เลือกหากสามารถแก้ค่า Voyage key ได้

mistral

เลือกหากสามารถแก้ค่า Mistral key ได้

deepinfra

เลือกหากสามารถแก้ค่า DeepInfra key ได้

bedrock

เลือกหากสายโซ่ข้อมูลรับรองของ AWS SDK แก้ค่าได้ (บทบาทอินสแตนซ์, access keys, โปรไฟล์, SSO, web identity หรือการกำหนดค่าที่ใช้ร่วมกัน)

รองรับ ollama แต่ไม่ถูกตรวจพบอัตโนมัติ (ตั้งค่าอย่างชัดเจน)

ID ผู้ให้บริการแบบกำหนดเอง

memorySearch.provider สามารถชี้ไปยังรายการ models.providers.<id> แบบกำหนดเองได้ OpenClaw จะแก้ค่าเจ้าของ api ของผู้ให้บริการนั้นสำหรับอะแดปเตอร์ embedding พร้อมคง ID ผู้ให้บริการแบบกำหนดเองไว้สำหรับ endpoint, auth และการจัดการคำนำหน้าโมเดล สิ่งนี้ช่วยให้การตั้งค่าแบบหลาย GPU หรือหลายโฮสต์สามารถอุทิศ embeddings ของหน่วยความจำให้กับ endpoint ภายในเครื่องเฉพาะได้:

{
  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",
      },
    },
  },
}

การแก้ค่า API key

Embeddings ระยะไกลต้องใช้ API key ส่วน Bedrock ใช้สายโซ่ข้อมูลรับรองเริ่มต้นของ AWS SDK แทน (บทบาทอินสแตนซ์, SSO, access keys)

ผู้ให้บริการ	ตัวแปรสภาพแวดล้อม	คีย์การกำหนดค่า
Bedrock	สายโซ่ข้อมูลรับรอง AWS	ไม่ต้องใช้ API key
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`	โปรไฟล์การยืนยันตัวตนผ่านการเข้าสู่ระบบด้วยอุปกรณ์
Mistral	`MISTRAL_API_KEY`	`models.providers.mistral.apiKey`
Ollama	`OLLAMA_API_KEY` (ตัวยึดตำแหน่ง)	—
OpenAI	`OPENAI_API_KEY`	`models.providers.openai.apiKey`
Voyage	`VOYAGE_API_KEY`	`models.providers.voyage.apiKey`

Codex OAuth ครอบคลุมเฉพาะแชท/การเติมข้อความเท่านั้น และไม่ตอบสนองคำขอ embedding

การกำหนดค่า endpoint ระยะไกล

สำหรับ endpoint แบบเข้ากันได้กับ OpenAI ที่กำหนดเอง หรือการแทนที่ค่าเริ่มต้นของผู้ให้บริการ:

remote.baseUrl

string

URL ฐาน API แบบกำหนดเอง

remote.apiKey

string

แทนที่ API key

remote.headers

object

ส่วนหัว HTTP เพิ่มเติม (ผสานกับค่าเริ่มต้นของผู้ให้บริการ)

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

การกำหนดค่าเฉพาะผู้ให้บริการ

Gemini

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`model`	`string`	`gemini-embedding-001`	รองรับ `gemini-embedding-2-preview` ด้วย
`outputDimensionality`	`number`	`3072`	สำหรับ Embedding 2: 768, 1536 หรือ 3072

การเปลี่ยนโมเดลหรือ outputDimensionality จะทริกเกอร์การทำดัชนีใหม่ทั้งหมดโดยอัตโนมัติ

ประเภทอินพุตที่เข้ากันได้กับ OpenAI

endpoint embedding ที่เข้ากันได้กับ OpenAI สามารถเลือกใช้ฟิลด์คำขอ input_type เฉพาะผู้ให้บริการได้ สิ่งนี้มีประโยชน์สำหรับโมเดล embedding แบบอสมมาตรที่ต้องใช้ป้ายกำกับต่างกันสำหรับ embeddings ของคำค้นหาและเอกสาร

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`inputType`	`string`	ไม่ได้ตั้งค่า	`input_type` ที่ใช้ร่วมกันสำหรับ embeddings ของคำค้นหาและเอกสาร
`queryInputType`	`string`	ไม่ได้ตั้งค่า	`input_type` ตอนค้นหา; แทนที่ `inputType`
`documentInputType`	`string`	ไม่ได้ตั้งค่า	`input_type` สำหรับดัชนี/เอกสาร; แทนที่ `inputType`

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

การเปลี่ยนค่าเหล่านี้มีผลต่อเอกลักษณ์ของแคช embedding สำหรับการทำดัชนีแบบแบตช์ของผู้ให้บริการ และควรตามด้วยการทำดัชนีหน่วยความจำใหม่เมื่อโมเดลต้นทางปฏิบัติกับป้ายกำกับต่างกัน

Bedrock

การกำหนดค่า embedding ของ Bedrock

Bedrock ใช้สายโซ่ข้อมูลรับรองเริ่มต้นของ AWS SDK จึงไม่ต้องใช้ API key หาก OpenClaw ทำงานบน EC2 ด้วยบทบาทอินสแตนซ์ที่เปิดใช้ Bedrock แล้ว เพียงตั้งค่าผู้ให้บริการและโมเดล:

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

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`model`	`string`	`amazon.titan-embed-text-v2:0`	ID โมเดล embedding ของ Bedrock ใดก็ได้
`outputDimensionality`	`number`	ค่าเริ่มต้นของโมเดล	สำหรับ Titan V2: 256, 512 หรือ 1024

โมเดลที่รองรับ (พร้อมการตรวจพบตระกูลและค่าเริ่มต้นของมิติ):

ID โมเดล	ผู้ให้บริการ	มิติเริ่มต้น	มิติที่กำหนดค่าได้
`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	—

รุ่นที่มีคำต่อท้าย throughput (เช่น amazon.titan-embed-text-v1:2:8k) จะสืบทอดการกำหนดค่าของโมเดลฐานการยืนยันตัวตน: auth ของ Bedrock ใช้ลำดับการแก้ค่าข้อมูลรับรอง AWS SDK มาตรฐาน:

ตัวแปรสภาพแวดล้อม (AWS_ACCESS_KEY_ID + AWS_SECRET_ACCESS_KEY)
แคชโทเค็น SSO
ข้อมูลรับรองโทเค็น web identity
ไฟล์ข้อมูลรับรองและไฟล์กำหนดค่าที่ใช้ร่วมกัน
ข้อมูลรับรองเมทาดาทา ECS หรือ EC2

ภูมิภาคถูกแก้ค่าจาก AWS_REGION, AWS_DEFAULT_REGION, baseUrl ของผู้ให้บริการ amazon-bedrock หรือใช้ค่าเริ่มต้นเป็น us-east-1สิทธิ์ IAM: บทบาทหรือผู้ใช้ IAM ต้องมี:

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

สำหรับสิทธิ์ขั้นต่ำ ให้จำกัดขอบเขต InvokeModel ไว้ที่โมเดลเฉพาะ:

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

ภายในเครื่อง (GGUF + node-llama-cpp)

คีย์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`local.modelPath`	`string`	ดาวน์โหลดอัตโนมัติ	พาธไปยังไฟล์โมเดล GGUF
`local.modelCacheDir`	`string`	ค่าเริ่มต้นของ node-llama-cpp	ไดเรกทอรีแคชสำหรับโมเดลที่ดาวน์โหลด
`local.contextSize`	`number \| "auto"`	`4096`	ขนาดหน้าต่างบริบทสำหรับบริบท embedding 4096 ครอบคลุมชิ้นข้อมูลทั่วไป (128–512 โทเค็น) พร้อมจำกัด VRAM ที่ไม่ใช่น้ำหนักโมเดล ลดลงเป็น 1024–2048 บนโฮสต์ที่มีทรัพยากรจำกัด `"auto"` ใช้ค่าสูงสุดที่โมเดลถูกฝึกมา ซึ่งไม่แนะนำสำหรับโมเดล 8B+ (Qwen3-Embedding-8B: 40 960 โทเค็น → VRAM ~32 GB เทียบกับ ~8.8 GB ที่ 4096)

โมเดลเริ่มต้น: embeddinggemma-300m-qat-Q8_0.gguf (~0.6 GB, ดาวน์โหลดอัตโนมัติ) เช็กเอาต์ซอร์สยังต้องอนุมัติการ build แบบ native: pnpm approve-builds แล้วตามด้วย pnpm rebuild node-llama-cppใช้ CLI แบบสแตนด์อโลนเพื่อตรวจสอบพาธ provider เดียวกับที่ Gateway ใช้:

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

หาก provider เป็น auto ระบบจะเลือก local เฉพาะเมื่อ local.modelPath ชี้ไปยังไฟล์ภายในเครื่องที่มีอยู่เท่านั้น ยังสามารถใช้การอ้างอิงโมเดลแบบ hf: และ HTTP(S) อย่างชัดเจนกับ provider: "local" ได้ แต่สิ่งเหล่านี้จะไม่ทำให้ auto เลือก local ก่อนที่โมเดลจะพร้อมใช้งานบนดิสก์

ไทม์เอาต์ของ inline embedding

sync.embeddingBatchTimeoutSeconds

number

แทนที่ไทม์เอาต์สำหรับชุด inline embedding ระหว่างการทำดัชนีหน่วยความจำเมื่อไม่ได้ตั้งค่า จะใช้ค่าเริ่มต้นของ provider: 600 วินาทีสำหรับ provider ภายในเครื่อง/โฮสต์เอง เช่น local, ollama และ lmstudio และ 120 วินาทีสำหรับ provider ที่โฮสต์ให้ เพิ่มค่านี้เมื่อชุด embedding ที่ผูกกับ CPU ภายในเครื่องทำงานปกติแต่ช้า

การกำหนดค่า hybrid search

ทั้งหมดอยู่ใต้ memorySearch.query.hybrid:

คีย์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`enabled`	`boolean`	`true`	เปิดใช้ hybrid BM25 + vector search
`vectorWeight`	`number`	`0.7`	น้ำหนักสำหรับคะแนนเวกเตอร์ (0-1)
`textWeight`	`number`	`0.3`	น้ำหนักสำหรับคะแนน BM25 (0-1)
`candidateMultiplier`	`number`	`4`	ตัวคูณขนาดพูลผู้สมัคร

MMR (ความหลากหลาย)
การลดค่าตามเวลา (ความใหม่)

คีย์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`mmr.enabled`	`boolean`	`false`	เปิดใช้การจัดอันดับใหม่ด้วย MMR
`mmr.lambda`	`number`	`0.7`	0 = ความหลากหลายสูงสุด, 1 = ความเกี่ยวข้องสูงสุด

คีย์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`temporalDecay.enabled`	`boolean`	`false`	เปิดใช้การเพิ่มคะแนนจากความใหม่
`temporalDecay.halfLifeDays`	`number`	`30`	คะแนนลดลงครึ่งหนึ่งทุก N วัน

ไฟล์ที่ใช้ได้เสมอ (MEMORY.md, ไฟล์ที่ไม่มีวันที่ใน memory/) จะไม่ถูกลดค่า

ตัวอย่างเต็ม

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

พาธหน่วยความจำเพิ่มเติม

คีย์	ชนิด	คำอธิบาย
`extraPaths`	`string[]`	ไดเรกทอรีหรือไฟล์เพิ่มเติมที่จะทำดัชนี

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

พาธอาจเป็นแบบสัมบูรณ์หรือสัมพันธ์กับ workspace ก็ได้ ไดเรกทอรีจะถูกสแกนแบบเรียกซ้ำเพื่อหาไฟล์ .md การจัดการ symlink ขึ้นอยู่กับ backend ที่ใช้งานอยู่: engine ในตัวจะละเว้น symlink ส่วน QMD จะทำตามพฤติกรรมของสแกนเนอร์ QMD พื้นฐาน สำหรับการค้นหาทรานสคริปต์ข้าม agent แบบจำกัดขอบเขตตาม agent ให้ใช้ agents.list[].memorySearch.qmd.extraCollections แทน memory.qmd.paths คอลเลกชันเพิ่มเติมเหล่านั้นมีรูปแบบ { path, name, pattern? } เดียวกัน แต่จะถูกรวมแยกตามแต่ละ agent และสามารถรักษาชื่อที่ใช้ร่วมกันอย่างชัดเจนไว้ได้เมื่อพาธชี้ออกนอก workspace ปัจจุบัน หากพาธที่ resolve แล้วเดียวกันปรากฏทั้งใน memory.qmd.paths และ memorySearch.qmd.extraCollections QMD จะเก็บรายการแรกและข้ามรายการที่ซ้ำ

หน่วยความจำแบบมัลติโมดัล (Gemini)

ทำดัชนีรูปภาพและเสียงควบคู่กับ Markdown โดยใช้ Gemini Embedding 2:

คีย์	ชนิด	ค่าเริ่มต้น	คำอธิบาย
`multimodal.enabled`	`boolean`	`false`	เปิดใช้การทำดัชนีแบบมัลติโมดัล
`multimodal.modalities`	`string[]`	—	`["image"]`, `["audio"]`, หรือ `["all"]`
`multimodal.maxFileBytes`	`number`	`10000000`	ขนาดไฟล์สูงสุดสำหรับการทำดัชนี

ใช้กับไฟล์ใน extraPaths เท่านั้น รูทหน่วยความจำเริ่มต้นยังคงรองรับเฉพาะ Markdown ต้องใช้ gemini-embedding-2-preview fallback ต้องเป็น "none"

รูปแบบที่รองรับ: .jpg, .jpeg, .png, .webp, .gif, .heic, .heif (รูปภาพ); .mp3, .wav, .ogg, .opus, .m4a, .aac, .flac (เสียง)

แคช Embedding

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`cache.enabled`	`boolean`	`false`	แคช embedding ของชังก์ใน SQLite
`cache.maxEntries`	`number`	`50000`	จำนวน embedding ที่แคชได้สูงสุด

ป้องกันการ embedding ข้อความที่ไม่เปลี่ยนแปลงซ้ำระหว่าง reindex หรือการอัปเดต transcript

การทำดัชนีแบบแบตช์

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`remote.nonBatchConcurrency`	`number`	`4`	embedding แบบ inline แบบขนาน
`remote.batch.enabled`	`boolean`	`false`	เปิดใช้ API การ embedding แบบแบตช์
`remote.batch.concurrency`	`number`	`2`	งานแบตช์แบบขนาน
`remote.batch.wait`	`boolean`	`true`	รอให้แบตช์เสร็จสมบูรณ์
`remote.batch.pollIntervalMs`	`number`	—	ช่วงเวลาการ poll
`remote.batch.timeoutMinutes`	`number`	—	หมดเวลาของแบตช์

พร้อมใช้งานสำหรับ openai, gemini และ voyage โดยทั่วไปแบตช์ของ OpenAI จะเร็วที่สุดและประหยัดที่สุดสำหรับการ backfill ขนาดใหญ่ remote.nonBatchConcurrency ควบคุมการเรียก embedding แบบ inline ที่ผู้ให้บริการแบบ local/self-hosted และผู้ให้บริการแบบ hosted ใช้เมื่อ API แบบแบตช์ของผู้ให้บริการไม่ได้เปิดใช้งาน Ollama มีค่าเริ่มต้นเป็น 1 สำหรับการทำดัชนีแบบไม่ใช่แบตช์เพื่อหลีกเลี่ยงการทำให้โฮสต์ local ขนาดเล็กทำงานหนักเกินไป ให้ตั้งค่าสูงขึ้นบนเครื่องที่ใหญ่กว่า ค่านี้แยกจาก sync.embeddingBatchTimeoutSeconds ซึ่งควบคุมเวลาหมดอายุสำหรับการเรียก embedding แบบ inline

การค้นหาหน่วยความจำเซสชัน (ทดลอง)

ทำดัชนี transcript ของเซสชันและแสดงผลผ่าน memory_search:

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`experimental.sessionMemory`	`boolean`	`false`	เปิดใช้การทำดัชนีเซสชัน
`sources`	`string[]`	`["memory"]`	เพิ่ม `"sessions"` เพื่อรวม transcript
`sync.sessions.deltaBytes`	`number`	`100000`	เกณฑ์จำนวนไบต์สำหรับ reindex
`sync.sessions.deltaMessages`	`number`	`50`	เกณฑ์จำนวนข้อความสำหรับ reindex

การทำดัชนีเซสชันเป็นแบบเลือกเปิดใช้และทำงานแบบ asynchronous ผลลัพธ์อาจล้าสมัยเล็กน้อย บันทึกเซสชันอยู่บนดิสก์ ดังนั้นให้ถือว่าการเข้าถึงระบบไฟล์เป็นขอบเขตความเชื่อถือ

การเร่งความเร็วเวกเตอร์ SQLite (sqlite-vec)

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`store.vector.enabled`	`boolean`	`true`	ใช้ sqlite-vec สำหรับคำค้นเวกเตอร์
`store.vector.extensionPath`	`string`	ที่รวมมาให้	แทนที่พาธ sqlite-vec

เมื่อ sqlite-vec ไม่พร้อมใช้งาน OpenClaw จะ fallback ไปใช้ cosine similarity ภายในโปรเซสโดยอัตโนมัติ

ที่จัดเก็บดัชนี

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`store.path`	`string`	`~/.openclaw/memory/{agentId}.sqlite`	ตำแหน่งดัชนี (รองรับโทเค็น `{agentId}`)
`store.fts.tokenizer`	`string`	`unicode61`	tokenizer ของ FTS5 (`unicode61` หรือ `trigram`)

การกำหนดค่า backend ของ QMD

ตั้งค่า memory.backend = "qmd" เพื่อเปิดใช้ การตั้งค่า QMD ทั้งหมดอยู่ใต้ memory.qmd:

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`command`	`string`	`qmd`	พาธ executable ของ QMD; ตั้งเป็นพาธแบบ absolute เมื่อ `PATH` ของบริการต่างจาก shell ของคุณ
`searchMode`	`string`	`search`	คำสั่งค้นหา: `search`, `vsearch`, `query`
`includeDefaultMemory`	`boolean`	`true`	ทำดัชนี `MEMORY.md` + `memory/*/.md` โดยอัตโนมัติ
`paths[]`	`array`	—	พาธเพิ่มเติม: `{ name, path, pattern? }`
`sessions.enabled`	`boolean`	`false`	ทำดัชนี transcript ของเซสชัน
`sessions.retentionDays`	`number`	—	ระยะเวลาเก็บรักษา transcript
`sessions.exportDir`	`string`	—	ไดเรกทอรีส่งออก

searchMode: "search" เป็นแบบอิงคำศัพท์/BM25 เท่านั้น OpenClaw จะไม่รันการตรวจสอบความพร้อมของเวกเตอร์เชิงความหมายหรือการบำรุงรักษาการฝังเวกเตอร์ของ QMD สำหรับโหมดนั้น รวมถึงระหว่าง memory status --deep; vsearch และ query ยังคงต้องใช้ความพร้อมของเวกเตอร์ QMD และการฝังเวกเตอร์ OpenClaw เลือกรูปแบบคอลเลกชัน QMD และรูปแบบคิวรี MCP ปัจจุบันเป็นหลัก แต่ยังคงรองรับรุ่น QMD ที่เก่ากว่าโดยลองใช้แฟล็กรูปแบบคอลเลกชันที่เข้ากันได้และชื่อเครื่องมือ MCP รุ่นเก่าเมื่อจำเป็น เมื่อ QMD ประกาศว่ารองรับตัวกรองคอลเลกชันหลายรายการ คอลเลกชันจากแหล่งเดียวกันจะถูกค้นหาด้วยกระบวนการ QMD เดียว; บิลด์ QMD ที่เก่ากว่าจะยังใช้เส้นทางความเข้ากันได้แบบต่อคอลเลกชัน แหล่งเดียวกันหมายถึงคอลเลกชันหน่วยความจำถาวรจะถูกจัดกลุ่มเข้าด้วยกัน ขณะที่คอลเลกชันบันทึกถอดความของเซสชันยังคงเป็นกลุ่มแยกต่างหาก เพื่อให้การกระจายแหล่งที่มายังคงมีอินพุตทั้งสองแบบ

การแทนที่โมเดล QMD จะอยู่ฝั่ง QMD ไม่ใช่ในคอนฟิก OpenClaw หากคุณต้องการแทนที่โมเดลของ QMD แบบทั่วทั้งระบบ ให้ตั้งค่าตัวแปรสภาพแวดล้อม เช่น QMD_EMBED_MODEL, QMD_RERANK_MODEL และ QMD_GENERATE_MODEL ในสภาพแวดล้อมรันไทม์ของ gateway

Update schedule

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`update.interval`	`string`	`5m`	ช่วงเวลาการรีเฟรช
`update.debounceMs`	`number`	`15000`	หน่วงการเปลี่ยนแปลงไฟล์
`update.onBoot`	`boolean`	`true`	รีเฟรชเมื่อเปิดตัวจัดการ QMD ที่ทำงานระยะยาว; ยังเป็นตัวกำหนดการรีเฟรชตอนเริ่มต้นแบบเลือกใช้
`update.startup`	`string`	`off`	การรีเฟรชเมื่อ Gateway เริ่มทำงานแบบไม่บังคับ: `off`, `idle` หรือ `immediate`
`update.startupDelayMs`	`number`	`120000`	หน่วงเวลาก่อนการรีเฟรช `startup: "idle"` จะทำงาน
`update.waitForBootSync`	`boolean`	`false`	บล็อกการเปิดตัวจัดการจนกว่าการรีเฟรชเริ่มต้นจะเสร็จ
`update.embedInterval`	`string`	—	จังหวะการฝังเวกเตอร์แยกต่างหาก
`update.commandTimeoutMs`	`number`	—	เวลาหมดอายุสำหรับคำสั่ง QMD
`update.updateTimeoutMs`	`number`	—	เวลาหมดอายุสำหรับการดำเนินการอัปเดต QMD
`update.embedTimeoutMs`	`number`	—	เวลาหมดอายุสำหรับการดำเนินการฝังเวกเตอร์ QMD

Limits

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`limits.maxResults`	`number`	`6`	จำนวนผลการค้นหาสูงสุด
`limits.maxSnippetChars`	`number`	—	จำกัดความยาวของส่วนย่อ
`limits.maxInjectedChars`	`number`	—	จำกัดจำนวนอักขระที่แทรกรวม
`limits.timeoutMs`	`number`	`4000`	เวลาหมดอายุการค้นหา

Scope

ควบคุมว่าเซสชันใดสามารถรับผลการค้นหา QMD ได้ ใช้สคีมาเดียวกับ session.sendPolicy:

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

ค่าเริ่มต้นที่จัดส่งมาจะอนุญาตเซสชันแบบ direct และ channel ขณะที่ยังปฏิเสธ groupsค่าเริ่มต้นคือเฉพาะ DM เท่านั้น match.keyPrefix จับคู่กับคีย์เซสชันที่ทำให้เป็นรูปแบบมาตรฐานแล้ว; match.rawKeyPrefix จับคู่กับคีย์ดิบรวมถึง agent:<id>:

Citations

memory.citations ใช้กับแบ็กเอนด์ทั้งหมด:

ค่า	พฤติกรรม
`auto` (ค่าเริ่มต้น)	รวมส่วนท้าย `Source: <path#line>` ในส่วนย่อ
`on`	รวมส่วนท้ายเสมอ
`off`	ไม่รวมส่วนท้าย (ยังส่งเส้นทางให้ agent ภายใน)

การรีเฟรชตอนบูตของ QMD ใช้เส้นทางกระบวนการย่อยแบบครั้งเดียวระหว่างที่ gateway เริ่มทำงาน ตัวจัดการ QMD ที่ทำงานระยะยาวยังคงเป็นเจ้าของตัวเฝ้าดูไฟล์และตัวจับเวลาช่วงเวลาปกติเมื่อเปิดการค้นหาหน่วยความจำเพื่อใช้งานแบบโต้ตอบ

ตัวอย่าง QMD แบบเต็ม

{
  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 กำหนดค่าอยู่ภายใต้ plugins.entries.memory-core.config.dreaming ไม่ใช่ภายใต้ agents.defaults.memorySearch Dreaming ทำงานเป็นการกวาดตามกำหนดการหนึ่งครั้ง และใช้เฟสภายในแบบ light/deep/REM เป็นรายละเอียดการติดตั้งใช้งาน สำหรับพฤติกรรมเชิงแนวคิดและคำสั่ง slash โปรดดู Dreaming

การตั้งค่าผู้ใช้

คีย์	ประเภท	ค่าเริ่มต้น	คำอธิบาย
`enabled`	`boolean`	`false`	เปิดหรือปิด dreaming ทั้งหมด
`frequency`	`string`	`0 3 * * *`	จังหวะ cron แบบไม่บังคับสำหรับการกวาด dreaming แบบเต็ม
`model`	`string`	โมเดลเริ่มต้น	การแทนที่โมเดล subagent ของ Dream Diary แบบไม่บังคับ

ตัวอย่าง

{
  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 เขียนสถานะเครื่องไปยัง memory/.dreams/
Dreaming เขียนผลลัพธ์แบบบรรยายที่มนุษย์อ่านได้ไปยัง DREAMS.md (หรือ dreams.md ที่มีอยู่)
dreaming.model ใช้เกตความเชื่อถือของ plugin subagent ที่มีอยู่; ตั้งค่า plugins.entries.memory-core.subagent.allowModelOverride: true ก่อนเปิดใช้งาน
Dream Diary จะลองใหม่หนึ่งครั้งด้วยโมเดลเริ่มต้นของเซสชันเมื่อโมเดลที่กำหนดค่าไว้ไม่พร้อมใช้งาน ความล้มเหลวด้านความเชื่อถือหรือ allowlist จะถูกบันทึกและจะไม่ลองใหม่แบบเงียบๆ
นโยบายและเกณฑ์ของเฟส light/deep/REM เป็นพฤติกรรมภายใน ไม่ใช่คอนฟิกที่แสดงต่อผู้ใช้

Overview

Plugins

Bundled plugin guides

Building plugins

Skills

Automation

Tools

Agent coordination

ข้อมูลอ้างอิงการกำหนดค่าหน่วยความจำ

ภาพรวมหน่วยความจำ

เอนจินในตัว

เอนจิน QMD

การค้นหาหน่วยความจำ

Active Memory

การเลือกผู้ให้บริการ

ลำดับการตรวจพบอัตโนมัติ

ID ผู้ให้บริการแบบกำหนดเอง

การแก้ค่า API key

การกำหนดค่า endpoint ระยะไกล

การกำหนดค่าเฉพาะผู้ให้บริการ

การกำหนดค่า embedding ของ Bedrock

ไทม์เอาต์ของ inline embedding

การกำหนดค่า hybrid search

ตัวอย่างเต็ม

พาธหน่วยความจำเพิ่มเติม

หน่วยความจำแบบมัลติโมดัล (Gemini)

แคช Embedding

การทำดัชนีแบบแบตช์

การค้นหาหน่วยความจำเซสชัน (ทดลอง)

การเร่งความเร็วเวกเตอร์ SQLite (sqlite-vec)

ที่จัดเก็บดัชนี

การกำหนดค่า backend ของ QMD

ตัวอย่าง QMD แบบเต็ม

Dreaming

การตั้งค่าผู้ใช้

ตัวอย่าง

ที่เกี่ยวข้อง

Overview

Plugins

Bundled plugin guides

Building plugins

Skills

Automation

Tools

Agent coordination

Documentation Index

ภาพรวมหน่วยความจำ

เอนจินในตัว

เอนจิน QMD

การค้นหาหน่วยความจำ

Active Memory

​การเลือกผู้ให้บริการ

​ลำดับการตรวจพบอัตโนมัติ

​ID ผู้ให้บริการแบบกำหนดเอง

​การแก้ค่า API key

​การกำหนดค่า endpoint ระยะไกล

​การกำหนดค่าเฉพาะผู้ให้บริการ

​การกำหนดค่า embedding ของ Bedrock

​ไทม์เอาต์ของ inline embedding

​การกำหนดค่า hybrid search

​ตัวอย่างเต็ม

​พาธหน่วยความจำเพิ่มเติม

​หน่วยความจำแบบมัลติโมดัล (Gemini)

​แคช Embedding

​การทำดัชนีแบบแบตช์

​การค้นหาหน่วยความจำเซสชัน (ทดลอง)

​การเร่งความเร็วเวกเตอร์ SQLite (sqlite-vec)

​ที่จัดเก็บดัชนี

​การกำหนดค่า backend ของ QMD

​ตัวอย่าง QMD แบบเต็ม

​Dreaming

​การตั้งค่าผู้ใช้

​ตัวอย่าง

​ที่เกี่ยวข้อง

การเลือกผู้ให้บริการ

ลำดับการตรวจพบอัตโนมัติ

ID ผู้ให้บริการแบบกำหนดเอง

การแก้ค่า API key

การกำหนดค่า endpoint ระยะไกล

การกำหนดค่าเฉพาะผู้ให้บริการ

การกำหนดค่า embedding ของ Bedrock

ไทม์เอาต์ของ inline embedding

การกำหนดค่า hybrid search

ตัวอย่างเต็ม

พาธหน่วยความจำเพิ่มเติม

หน่วยความจำแบบมัลติโมดัล (Gemini)

แคช Embedding

การทำดัชนีแบบแบตช์

การค้นหาหน่วยความจำเซสชัน (ทดลอง)

การเร่งความเร็วเวกเตอร์ SQLite (sqlite-vec)

ที่จัดเก็บดัชนี

การกำหนดค่า backend ของ QMD

ตัวอย่าง QMD แบบเต็ม

Dreaming

การตั้งค่าผู้ใช้

ตัวอย่าง

ที่เกี่ยวข้อง