--- read_when: - Ви хочете зрозуміти, як працює memory_search - Ви хочете вибрати постачальника ембедингів - Ви хочете налаштувати якість пошуку summary: Як пошук у памʼяті знаходить релевантні нотатки за допомогою ембедингів і гібридного пошуку title: Пошук у пам’яті x-i18n: generated_at: "2026-06-28T22:33:43Z" model: gpt-5.5 postprocess_version: locale-links-v1 provider: openai source_hash: 32ffb9d996851566eb92b7812c5425f545ecbb5387a0a445686df35a6c8ae143 source_path: concepts/memory-search.md workflow: 16 --- `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: ```json5 { 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.`, 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](/uk/reference/memory-config#provider-specific-config). ## Підтримувані постачальники | Постачальник | ID | Потрібен ключ API | Примітки | | ----------------- | ------------------- | ----------------- | ----------------------------------- | | Bedrock | `bedrock` | Ні | Використовує ланцюжок облікових даних AWS | | DeepInfra | `deepinfra` | Так | Типово: `BAAI/bge-m3` | | Gemini | `gemini` | Так | Підтримує індексування зображень/аудіо | | GitHub Copilot | `github-copilot` | Ні | Використовує підписку Copilot | | Локальний | `local` | Ні | Модель GGUF, завантаження ~0,6 ГБ | | Mistral | `mistral` | Так | | | Ollama | `ollama` | Ні | Локальний/самостійно розгорнутий | | OpenAI | `openai` | Так | Типовий | | OpenAI-сумісний | `openai-compatible` | Зазвичай | Універсальний `/v1/embeddings` | | Voyage | `voyage` | Так | | ## Як працює пошук OpenClaw запускає два шляхи отримання даних паралельно й об’єднує результати: ```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"] ``` - **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. Увімкніть часове згасання, якщо ваш агент має місяці щоденних нотаток, а застаріла інформація й далі випереджає новіший контекст. ### 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. Увімкніть MMR, якщо `memory_search` постійно повертає майже дублікати фрагментів із різних щоденних нотаток. ### Увімкнути обидві функції ```json5 { 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](/uk/reference/memory-config) 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](/uk/reference/memory-config) 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](/uk/concepts/active-memory) -- пам’ять субагента для інтерактивних чат-сеансів - [Пам’ять](/uk/concepts/memory) -- структура файлів, бекенди, інструменти - [Довідник із налаштування пам’яті](/uk/reference/memory-config) -- усі параметри конфігурації ## Пов’язане - [Огляд пам’яті](/uk/concepts/memory) - [Active Memory](/uk/concepts/active-memory) - [Вбудований рушій пам’яті](/uk/concepts/memory-builtin)