Pencarian memori

memory_search menemukan catatan relevan dari file memori Anda, bahkan ketika susunan katanya berbeda dari teks asli. Ini bekerja dengan mengindeks memori ke dalam potongan-potongan kecil dan mencarinya menggunakan embedding, kata kunci, atau keduanya.

Mulai cepat

Pencarian memori menggunakan embedding OpenAI secara default. Untuk menggunakan backend embedding lain, tetapkan penyedia secara eksplisit:

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

Untuk penyiapan multi-endpoint dengan penyedia khusus memori, provider juga dapat berupa entri models.providers.<id> kustom, seperti ollama-5080, ketika penyedia tersebut menetapkan api: "ollama" atau pemilik adaptor embedding memori lainnya.

Untuk embedding lokal tanpa kunci API, instal @openclaw/llama-cpp-provider dan tetapkan provider: "local". Checkout sumber mungkin masih memerlukan persetujuan build native: pnpm approve-builds lalu pnpm rebuild node-llama-cpp.

Beberapa endpoint embedding yang kompatibel dengan OpenAI memerlukan label asimetris seperti input_type: "query" untuk pencarian dan input_type: "document" atau "passage" untuk potongan yang diindeks. Konfigurasikan itu dengan memorySearch.queryInputType dan memorySearch.documentInputType; lihat referensi konfigurasi Memori.

Penyedia yang didukung

Cara kerja pencarian

OpenClaw menjalankan dua jalur pengambilan secara paralel dan menggabungkan hasilnya:

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"]

• Pencarian vektor menemukan catatan dengan makna serupa ("gateway host" cocok dengan "mesin yang menjalankan OpenClaw").
• Pencarian kata kunci BM25 menemukan kecocokan persis (ID, string error, kunci config).

Jika hanya satu jalur tersedia, jalur lain berjalan sendiri. Mode khusus FTS saja (provider: "none") dan pemilihan penyedia otomatis/default tetap dapat menggunakan peringkat leksikal ketika embedding tidak tersedia.

Penyedia embedding non-lokal eksplisit berbeda. Jika Anda menetapkan memorySearch.provider ke penyedia konkret yang didukung jarak jauh dan penyedia tersebut tidak tersedia saat runtime, memory_search melaporkan memori sebagai tidak tersedia alih-alih diam-diam menggunakan hasil FTS saja. Ini membuat penyedia semantik terkonfigurasi yang rusak tetap terlihat. Tetapkan provider: "none" untuk recall FTS saja yang disengaja, atau perbaiki konfigurasi penyedia/auth untuk memulihkan peringkat semantik.

Meningkatkan kualitas pencarian

Dua fitur opsional membantu saat Anda memiliki riwayat catatan yang besar:

Peluruhan temporal

Catatan lama secara bertahap kehilangan bobot peringkat sehingga informasi terbaru muncul lebih dulu. Dengan waktu paruh default 30 hari, catatan dari bulan lalu mendapat skor 50% dari bobot aslinya. File evergreen seperti MEMORY.md tidak pernah mengalami peluruhan.

MMR (keragaman)

Mengurangi hasil yang redundan. Jika lima catatan semuanya menyebut config router yang sama, MMR memastikan hasil teratas mencakup topik yang berbeda alih-alih berulang.

Aktifkan keduanya

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

Memori multimodal

Dengan Gemini Embedding 2, Anda dapat mengindeks file gambar dan audio bersama Markdown. Kueri pencarian tetap berupa teks, tetapi cocok dengan konten visual dan audio. Lihat referensi konfigurasi Memori untuk penyiapan.

Pencarian memori sesi

Anda dapat secara opsional mengindeks transkrip sesi sehingga memory_search dapat mengingat percakapan sebelumnya. Ini bersifat opt-in melalui memorySearch.experimental.sessionMemory dan sources: ["sessions"]; daftar sumber default hanya memori. Flag eksperimental mengaktifkan pengindeksan transkrip sesi, sementara sources mengontrol apakah potongan sesi dicari.

Hit sesi mematuhi tools.sessions.visibility: pengaturan default tree hanya mengekspos sesi saat ini dan sesi yang dibuat olehnya. Untuk mengingat sesi tidak terkait dari agen yang sama yang dikirim melalui Gateway dari sesi DM terpisah, perluas visibilitas secara sengaja ke agent.

Saat menggunakan QMD, tetapkan juga memory.qmd.sessions.enabled: true agar transkrip diekspor ke koleksi QMD. Lihat referensi konfigurasi untuk detail.

Pemecahan masalah

Tidak ada hasil? Jalankan openclaw memory status untuk memeriksa indeks. Jika kosong, jalankan openclaw memory index --force.

Hanya kecocokan kata kunci? Penyedia embedding Anda mungkin belum dikonfigurasi. Periksa openclaw memory status --deep.

Embedding lokal timeout? ollama, lmstudio, dan local menggunakan timeout batch inline yang lebih panjang secara default. Jika host memang lambat, tetapkan agents.defaults.memorySearch.sync.embeddingBatchTimeoutSeconds dan jalankan ulang openclaw memory index --force.

Teks CJK tidak ditemukan? Bangun ulang indeks FTS dengan openclaw memory index --force.

Bacaan lanjutan

• Active Memory -- memori sub-agen untuk sesi chat interaktif
• Memori -- tata letak file, backend, alat
• Referensi konfigurasi Memori -- semua kenop config

Terkait

• Ikhtisar memori
• Active Memory
• Mesin memori bawaan