Довідник із налаштування пам’яті

Ця сторінка перелічує всі параметри конфігурації для пошуку в пам’яті OpenClaw. Концептуальні огляди дивіться тут:

Усі налаштування пошуку в пам’яті розташовані в agents.defaults.memorySearch у openclaw.json, якщо не зазначено інше.

Вибір провайдера

Коли provider не задано, OpenClaw використовує embeddings OpenAI. Задайте provider явно, щоб використовувати Gemini, Voyage, Mistral, DeepInfra, Bedrock, GitHub Copilot, Ollama, локальну модель GGUF або OpenAI-сумісну кінцеву точку /v1/embeddings. Застарілі конфігурації, у яких досі вказано provider: "auto", розв’язуються як openai.

Коли provider не задано, присутній застарілий provider: "auto" або provider: "none" навмисно вибирає режим лише FTS, пригадування з пам’яті все одно може використовувати лексичне ранжування FTS, коли embeddings недоступні.

Явні нелокальні провайдери завершуються закрито. Якщо ви задаєте memorySearch.provider як конкретного провайдера з віддаленою підтримкою, наприклад OpenAI, Gemini, Voyage, Mistral, Bedrock, GitHub Copilot, DeepInfra, Ollama, LM Studio або OpenAI-сумісного власного провайдера, і цей провайдер недоступний під час виконання, memory_search повертає результат недоступності замість тихого використання пригадування лише FTS. Виправте конфігурацію провайдера/автентифікації, перейдіть на доступного провайдера або задайте provider: "none", якщо хочете навмисне пригадування лише FTS.

Власні ідентифікатори провайдерів

memorySearch.provider може вказувати на власний запис models.providers.<id> для memory-specific provider adapters, як-от ollama, або для OpenAI-сумісних API моделей, як-от openai-responses / openai-completions. OpenClaw розв’язує власника api цього провайдера для адаптера embeddings, зберігаючи власний ідентифікатор провайдера для обробки кінцевої точки, автентифікації та префіксів моделей. Це дає змогу конфігураціям із кількома GPU або кількома хостами виділяти memory embeddings для конкретної локальної кінцевої точки:

{  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",      },    },  },}

Розв’язання ключа API

Віддалені embeddings потребують ключа API. Bedrock натомість використовує типовий ланцюжок облікових даних AWS SDK (ролі екземплярів, SSO, ключі доступу).

Конфігурація віддаленої кінцевої точки

Використовуйте provider: "openai-compatible" для загального OpenAI-сумісного сервера /v1/embeddings, який не має успадковувати глобальні облікові дані чату OpenAI.

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

Конфігурація для окремих провайдерів

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

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

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

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

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

Тайм-аут inline embedding

Конфігурація гібридного пошуку

Усе в memorySearch.query.hybrid:

Повний приклад

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

Додаткові шляхи пам’яті

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

Шляхи можуть бути абсолютними або відносними до робочого простору. Каталоги рекурсивно скануються на файли .md. Обробка симлінків залежить від активного бекенда: вбудований рушій ігнорує симлінки, а QMD дотримується поведінки базового сканера QMD.

Для пошуку транскриптів між агентами в межах агента використовуйте agents.list[].memorySearch.qmd.extraCollections замість memory.qmd.paths. Ці додаткові колекції мають ту саму форму { path, name, pattern? }, але об’єднуються для кожного агента й можуть зберігати явні спільні назви, коли шлях вказує за межі поточного робочого простору. Якщо той самий розв’язаний шлях з’являється і в memory.qmd.paths, і в memorySearch.qmd.extraCollections, QMD зберігає перший запис і пропускає дублікат.

Мультимодальна пам’ять (Gemini)

Індексуйте зображення та аудіо разом із Markdown за допомогою Gemini Embedding 2:

Підтримувані формати: .jpg, .jpeg, .png, .webp, .gif, .heic, .heif (зображення); .mp3, .wav, .ogg, .opus, .m4a, .aac, .flac (аудіо).

Кеш embedding

Запобігає повторному embedding незміненого тексту під час повторного індексування або оновлень транскриптів.

Пакетне індексування

Доступно для openai, gemini і voyage. Пакетний режим OpenAI зазвичай найшвидший і найдешевший для великих зворотних заповнень.

remote.nonBatchConcurrency керує inline-викликами embedding, які використовують локальні/самостійно розміщені провайдери та хостингові провайдери, коли пакетні API провайдера не активні. Для непакетного індексування Ollama типово використовує 1, щоб не перевантажувати менші локальні хости; встановіть більше значення на більших машинах.

Це окремо від sync.embeddingBatchTimeoutSeconds, який керує тайм-аутом для inline-викликів embedding.

Пошук у пам’яті сесій (експериментально)

Індексуйте транскрипти сесій і показуйте їх через memory_search:

Збіги в транскриптах сеансів також підпорядковуються tools.sessions.visibility. Типова видимість tree відкриває лише поточний сеанс і сеанси, які він породив. Щоб пригадати непов’язаний сеанс того самого агента, надісланий через Gateway, з іншого сеансу, наприклад приватного повідомлення, навмисно розширте видимість до agent (або до all лише коли також потрібне пригадування між агентами й політика взаємодії агентів це дозволяє).

Наведені нижче приклади розміщують ці налаштування в agents.defaults. Ви також можете застосувати еквівалентні налаштування memorySearch у перевизначенні для окремого агента, коли лише один агент має індексувати й шукати транскрипти сеансів.

Для пригадування з Gateway до приватного повідомлення для того самого агента:

{  agents: {    defaults: {      memorySearch: {        experimental: { sessionMemory: true },        sources: ["memory", "sessions"],      },    },  },  tools: {    sessions: { visibility: "agent" },  },}

{  agents: {    defaults: {      memorySearch: {        experimental: { sessionMemory: true },        sources: ["memory", "sessions"],      },    },  },  memory: {    backend: "qmd",    qmd: {      sessions: { enabled: true },    },  },  tools: {    sessions: { visibility: "agent" },  },}

Під час використання QMD agents.defaults.memorySearch.experimental.sessionMemory і sources: ["sessions"] самі по собі не експортують транскрипти в QMD. Також установіть memory.qmd.sessions.enabled: true.

Прискорення векторів SQLite (sqlite-vec)

Коли sqlite-vec недоступний, OpenClaw автоматично повертається до обчислення косинусної подібності всередині процесу.

Сховище індексів

Вбудовані індекси пам’яті зберігаються в SQLite-базі даних OpenClaw кожного агента за шляхом agents/<agentId>/agent/openclaw-agent.sqlite.

Конфігурація бекенда QMD

Установіть memory.backend = "qmd", щоб увімкнути. Усі налаштування QMD розміщуються в memory.qmd:

searchMode: "search" є лише лексичним/BM25. OpenClaw не запускає перевірки готовності семантичних векторів або обслуговування вбудовувань QMD для цього режиму, зокрема під час memory status --deep; vsearch і query надалі потребують готовності векторів і вбудовувань QMD.

rerank: false змінює лише режим QMD query і потребує QMD 2.1 або новішої версії. У прямому режимі CLI OpenClaw передає --no-rerank; у режимі MCP на базі mcporter він передає rerank: false до уніфікованого інструмента запитів QMD. Залиште це незаданим, щоб використовувати типову поведінку повторного ранжування запитів QMD.

OpenClaw віддає перевагу поточним формам колекцій QMD і запитів MCP, але зберігає роботу зі старішими випусками QMD, за потреби пробуючи сумісні прапорці шаблонів колекцій і старіші назви інструментів MCP. Коли QMD оголошує підтримку кількох фільтрів колекцій, колекції з того самого джерела шукаються одним процесом QMD; старіші збірки QMD зберігають сумісний шлях для кожної колекції. Те саме джерело означає, що сталі колекції пам’яті групуються разом, тоді як колекції транскриптів сеансів залишаються окремою групою, щоб диверсифікація джерел усе ще мала обидва входи.

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

Коли ініціалізацію QMD під час запуску Gateway увімкнено, OpenClaw запускає QMD лише для придатних агентів. Якщо update.onBoot має значення true і не налаштовано обслуговування за інтервалом/embed, запуск використовує одноразовий менеджер для оновлення під час завантаження та закриває його. Якщо налаштовано інтервал оновлення або embed, запуск відкриває довготривалий менеджер QMD, щоб він міг володіти watcher і таймерами інтервалів; update.onBoot: false пропускає лише негайне оновлення під час завантаження.

Повний приклад QMD

{  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 налаштовується в plugins.entries.memory-core.config.dreaming, а не в agents.defaults.memorySearch.

Dreaming виконується як один запланований прохід і використовує внутрішні фази light/deep/REM як деталь реалізації.

Концептуальну поведінку та slash-команди див. у Dreaming.

Налаштування користувача

Приклад

{  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",          },        },      },    },  },}

Пов’язане

• Довідник із конфігурації
• Огляд пам’яті
• Пошук у пам’яті