Пошук у пам’яті

memory_search знаходить релевантні нотатки у ваших файлах пам’яті, навіть коли формулювання відрізняється від оригінального тексту. Він працює, індексуючи пам’ять на невеликі фрагменти та шукаючи в них за допомогою ембедингів, ключових слів або обох способів.

Швидкий старт

Пошук у пам’яті типово використовує ембединги OpenAI. Щоб використати інший бекенд ембедингів, явно задайте постачальника:

{  agents: {    defaults: {      memorySearch: {        provider: "openai", // or "gemini", "local", "ollama", "openai-compatible", etc.      },    },  },}

Для налаштувань із кількома кінцевими точками та окремими постачальниками для пам’яті provider також може бути власним записом models.providers.<id>, наприклад ollama-5080, коли цей постачальник задає api: "ollama" або іншого власника адаптера ембедингів пам’яті.

Для локальних ембедингів без ключа API встановіть @openclaw/llama-cpp-provider і задайте provider: "local". Вихідні checkout-и можуть усе ще вимагати схвалення нативної збірки: pnpm approve-builds, потім pnpm rebuild node-llama-cpp.

Деякі OpenAI-сумісні кінцеві точки ембедингів вимагають асиметричних міток, наприклад input_type: "query" для пошуку та input_type: "document" або "passage" для індексованих фрагментів. Налаштуйте їх через memorySearch.queryInputType і memorySearch.documentInputType; дивіться довідник із налаштування пам’яті.

Підтримувані постачальники

Як працює пошук

OpenClaw запускає два шляхи отримання даних паралельно й об’єднує результати:

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"]

• Векторний пошук знаходить нотатки зі схожим значенням ("gateway host" відповідає "the machine running OpenClaw").
• Пошук за ключовими словами BM25 знаходить точні збіги (ID, рядки помилок, ключі конфігурації).

Якщо доступний лише один шлях, інший працює самостійно. Навмисний режим лише FTS (provider: "none") і автоматичний/типовий вибір постачальника все ще можуть використовувати лексичне ранжування, коли ембединги недоступні.

Явні нелокальні постачальники ембедингів поводяться інакше. Якщо ви задаєте memorySearch.provider як конкретного постачальника з віддаленим бекендом, і цей постачальник недоступний під час виконання, memory_search повідомляє, що пам’ять недоступна, замість того щоб мовчки використовувати лише результати FTS. Це робить поламаного налаштованого семантичного постачальника видимим. Задайте provider: "none" для навмисного відтворення лише через FTS або виправте конфігурацію постачальника/автентифікації, щоб відновити семантичне ранжування.

Покращення якості пошуку

Дві необов’язкові функції допомагають, коли у вас велика історія нотаток:

Часове згасання

Старі нотатки поступово втрачають вагу ранжування, щоб нова інформація з’являлася першою. За типового періоду напіврозпаду 30 днів нотатка з минулого місяця отримує 50% своєї початкової ваги. Вічнозелені файли, як-от MEMORY.md, ніколи не згасають.

MMR (різноманітність)

Зменшує кількість надлишкових результатів. Якщо п’ять нотаток згадують ту саму конфігурацію маршрутизатора, MMR гарантує, що найкращі результати охоплюють різні теми, а не повторюються.

Увімкнути обидві функції

{  agents: {    defaults: {      memorySearch: {        query: {          hybrid: {            mmr: { enabled: true },            temporalDecay: { enabled: true },          },        },      },    },  },}

Мультимодальна пам’ять

З Gemini Embedding 2 ви можете індексувати зображення й аудіофайли разом із Markdown. Пошукові запити залишаються текстовими, але вони зіставляються з візуальним і аудіоконтентом. Дивіться довідник із налаштування пам’яті для налаштування.

Пошук у пам’яті сеансу

Ви можете за бажанням індексувати стенограми сеансів, щоб memory_search міг згадувати попередні розмови. Це вмикається явно через memorySearch.experimental.sessionMemory і sources: ["sessions"]; типовий список джерел містить лише пам’ять. Експериментальний прапорець вмикає індексування стенограм сеансів, а sources контролює, чи виконуватиметься пошук у фрагментах сеансів.

Збіги сеансів підпорядковуються tools.sessions.visibility: типове значення tree відкриває лише поточний сеанс і сеанси, які він породив. Щоб згадати непов’язаний сеанс того самого агента, надісланий через Gateway з окремого DM-сеансу, навмисно розширте видимість до agent.

Під час використання QMD також задайте memory.qmd.sessions.enabled: true, щоб стенограми експортувалися в колекцію QMD. Дивіться довідник із конфігурації для подробиць.

Усунення несправностей

Немає результатів? Запустіть openclaw memory status, щоб перевірити індекс. Якщо він порожній, запустіть openclaw memory index --force.

Лише збіги за ключовими словами? Ваш постачальник ембедингів може бути не налаштований. Перевірте openclaw memory status --deep.

Час очікування локальних ембедингів вичерпано? ollama, lmstudio і local типово використовують довший тайм-аут inline-пакета. Якщо хост просто повільний, задайте agents.defaults.memorySearch.sync.embeddingBatchTimeoutSeconds і повторно запустіть openclaw memory index --force.

Текст CJK не знайдено? Перебудуйте індекс FTS за допомогою openclaw memory index --force.

Додаткові матеріали

• Active Memory -- пам’ять субагента для інтерактивних чат-сеансів
• Пам’ять -- структура файлів, бекенди, інструменти
• Довідник із налаштування пам’яті -- усі параметри конфігурації

Пов’язане

• Огляд пам’яті
• Active Memory
• Вбудований рушій пам’яті