---
read_when:
    - Ви хочете зрозуміти стандартний бекенд пам’яті
    - Ви хочете налаштувати постачальників вбудовувань або гібридний пошук
summary: Стандартний серверний модуль пам’яті на основі SQLite з пошуком за ключовими словами, векторним і гібридним пошуком
title: Вбудований рушій пам’яті
x-i18n:
    generated_at: "2026-07-12T13:08:50Z"
    model: gpt-5.6
    postprocess_version: locale-links-v1
    provider: openai
    source_hash: e8cbe2bae73b1d393ac158edb67fc442e76d1e5ff93e5201dbb7e7216801aa85
    source_path: concepts/memory-builtin.md
    workflow: 16
---

Вбудований рушій є стандартним серверним модулем пам’яті. Він зберігає індекс пам’яті
в окремій для кожного агента базі даних SQLite й не потребує додаткових залежностей
для початку роботи.

## Можливості

- **Пошук за ключовими словами** через повнотекстове індексування FTS5 (оцінювання BM25).
- **Векторний пошук** через вбудовування від будь-якого підтримуваного постачальника.
- **Гібридний пошук**, який поєднує обидва підходи для найкращих результатів.
- **Підтримка CJK** через триграмну токенізацію для китайської, японської та корейської мов.
- **Прискорення sqlite-vec** для векторних запитів у базі даних (необов’язково).

## Початок роботи

За замовчуванням вбудований рушій використовує вбудовування OpenAI. Якщо
`OPENAI_API_KEY` або `models.providers.openai.apiKey` уже налаштовано, векторний
пошук працює без додаткового налаштування пам’яті.

Щоб явно вказати постачальника:

```json5
{
  agents: {
    defaults: {
      memorySearch: {
        provider: "openai",
      },
    },
  },
}
```

Без постачальника вбудовувань доступний лише пошук за ключовими словами.

Щоб примусово використовувати локальні вбудовування GGUF, установіть офіційний
plugin постачальника llama.cpp, а потім укажіть у `local.modelPath` файл GGUF:

```bash
openclaw plugins install @openclaw/llama-cpp-provider
```

```json5
{
  agents: {
    defaults: {
      memorySearch: {
        provider: "local",
        fallback: "none",
        local: {
          modelPath: "~/.node-llama-cpp/models/embeddinggemma-300m-qat-Q8_0.gguf",
        },
      },
    },
  },
}
```

## Підтримувані постачальники вбудовувань

| Постачальник       | Ідентифікатор       | Примітки                                      |
| ------------------ | ------------------- | --------------------------------------------- |
| Bedrock            | `bedrock`           | Використовує ланцюжок облікових даних AWS     |
| DeepInfra          | `deepinfra`         | За замовчуванням: `BAAI/bge-m3`               |
| Gemini             | `gemini`            | Підтримує мультимодальність (зображення + аудіо) |
| GitHub Copilot     | `github-copilot`    | Використовує вашу передплату Copilot          |
| LM Studio          | `lmstudio`          | Локальний/самостійно розгорнутий               |
| Локальний          | `local`             | `@openclaw/llama-cpp-provider`                 |
| Mistral            | `mistral`           |                                               |
| Ollama             | `ollama`            | Локальний/самостійно розгорнутий               |
| OpenAI             | `openai`            | За замовчуванням: `text-embedding-3-small`     |
| Сумісний з OpenAI  | `openai-compatible` | Універсальна кінцева точка `/v1/embeddings`    |
| Voyage             | `voyage`            |                                               |

Змініть `memorySearch.provider`, щоб перейти з OpenAI на іншого постачальника.

## Як працює індексування

OpenClaw розбиває `MEMORY.md` і `memory/*.md` на фрагменти (за замовчуванням
по 400 токенів із перекриттям у 80 токенів), індексує їх і зберігає в окремій
для кожного агента базі даних SQLite.

- **Розташування індексу:** база даних відповідного агента за адресою
  `~/.openclaw/agents/<agentId>/agent/openclaw-agent.sqlite`
- **Обслуговування сховища:** розмір супровідних файлів WAL SQLite обмежується
  періодичними контрольними точками та контрольними точками під час завершення роботи.
- **Відстеження файлів:** зміни у файлах пам’яті запускають повторне індексування
  із затримкою для усунення брязкоту (за замовчуванням 1,5 с).
- **Автоматичне повторне індексування:** індекс автоматично перебудовується, коли
  змінюються постачальник вбудовувань, модель, конфігурація розбиття, налаштовані
  джерела або область дії.
- **Повторне індексування на вимогу:** `openclaw memory index --force`

<Info>
За допомогою `memorySearch.extraPaths` також можна індексувати файли Markdown
поза робочою областю. Див. [довідник із конфігурації](/uk/reference/memory-config#additional-memory-paths).
</Info>

## Коли використовувати

Вбудований рушій — оптимальний вибір для більшості користувачів:

- Працює одразу без додаткових залежностей.
- Добре виконує пошук за ключовими словами та векторний пошук.
- Підтримує всіх постачальників вбудовувань.
- Гібридний пошук поєднує переваги обох підходів до пошуку інформації.

Розгляньте перехід на [QMD](/uk/concepts/memory-qmd), якщо вам потрібні повторне
ранжування, розширення запитів або індексування каталогів поза робочою областю.

Розгляньте [Honcho](/uk/concepts/memory-honcho), якщо вам потрібна пам’ять між
сеансами з автоматичним моделюванням користувача.

## Усунення несправностей

**Пошук у пам’яті вимкнено?** Перевірте `openclaw memory status`. Якщо
постачальника не виявлено, укажіть його явно або додайте ключ API.

**Локального постачальника не виявлено?** Переконайтеся, що локальний шлях існує,
і виконайте:

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

Окремі команди CLI та Gateway використовують однаковий ідентифікатор локального
постачальника `local`. Установіть `memorySearch.provider: "local"`, якщо хочете
використовувати локальні вбудовування.

**Застарілі результати?** Виконайте `openclaw memory index --force`, щоб
перебудувати індекс. У рідкісних граничних випадках засіб відстеження може
не помітити зміни.

**sqlite-vec не завантажується?** OpenClaw автоматично переходить до обчислення
косинусної подібності в процесі. `openclaw memory status --deep` показує локальне
векторне сховище окремо від постачальника вбудовувань, тому `Vector store:
unavailable` указує на проблему із завантаженням sqlite-vec, а `Embeddings: unavailable`
— на проблему з постачальником, автентифікацією або готовністю моделі. Перевірте
журнали, щоб знайти конкретну помилку завантаження.

## Конфігурація

Відомості про налаштування постачальника вбудовувань, оптимізацію гібридного
пошуку (ваги, MMR, часове згасання), пакетне індексування, мультимодальну пам’ять,
sqlite-vec, додаткові шляхи та всі інші параметри конфігурації див. у
[довіднику з конфігурації пам’яті](/uk/reference/memory-config).

## Пов’язані матеріали

- [Огляд пам’яті](/uk/concepts/memory)
- [Пошук у пам’яті](/uk/concepts/memory-search)
- [Active Memory](/uk/concepts/active-memory)
