Skip to main content
Die integrierte Engine ist das standardmäßige Memory-Backend. Sie speichert Ihren Memory-Index in einer SQLite-Datenbank pro Agent und benötigt für die ersten Schritte keine zusätzlichen Abhängigkeiten.

​
Funktionsumfang

  • Schlüsselwortsuche über FTS5-Volltextindizierung (BM25-Bewertung).
  • Vektorsuche über Embeddings eines beliebigen unterstützten Providers.
  • Hybridsuche, die beide Ansätze kombiniert, um optimale Ergebnisse zu erzielen.
  • CJK-Unterstützung über Trigramm-Tokenisierung für Chinesisch, Japanisch und Koreanisch.
  • sqlite-vec-Beschleunigung für Vektorabfragen innerhalb der Datenbank (optional).

​
Erste Schritte

Standardmäßig verwendet die integrierte Engine OpenAI-Embeddings. Wenn OPENAI_API_KEY oder models.providers.openai.apiKey bereits konfiguriert ist, funktioniert die Vektorsuche ohne zusätzliche Memory-Konfiguration. So legen Sie explizit einen Provider fest:
Ohne Embedding-Provider ist nur die Schlüsselwortsuche verfügbar. Um lokale GGUF-Embeddings zu erzwingen, installieren Sie das offizielle llama.cpp-Provider- Plugin und verweisen Sie dann mit local.modelPath auf eine GGUF-Datei:

​
Unterstützte Embedding-Provider

Legen Sie memory.search.provider fest, um von OpenAI zu einem anderen Provider zu wechseln.

​
Funktionsweise der Indizierung

OpenClaw indiziert MEMORY.md und memory/*.md in Abschnitten (standardmäßig 400 Token mit einer Überlappung von 80 Token) und speichert sie in einer SQLite-Datenbank pro Agent.
  • Indexspeicherort: die Datenbank des zuständigen Agenten unter ~/.openclaw/agents/<agentId>/agent/openclaw-agent.sqlite
  • Speicherverwaltung: SQLite-WAL-Begleitdateien werden durch regelmäßige Checkpoints und Checkpoints beim Herunterfahren begrenzt.
  • Dateiüberwachung: Änderungen an Memory-Dateien lösen eine verzögerte Neuindizierung aus (standardmäßig 1.5s).
  • Automatische Neuindizierung: Der Index wird automatisch neu aufgebaut, wenn sich der Embedding- Provider, das Modell, die Abschnittskonfiguration, die konfigurierten Quellen oder der Geltungsbereich ändern.
  • Neuindizierung bei Bedarf: openclaw memory index --force
Sie können mit memory.search.extraPaths auch Markdown-Dateien außerhalb des Arbeitsbereichs indizieren. Weitere Informationen finden Sie in der Konfigurationsreferenz.

​
Einsatzbereiche

Die integrierte Engine ist für die meisten Benutzer die richtige Wahl:
  • Funktioniert ohne zusätzliche Abhängigkeiten sofort.
  • Bietet eine leistungsfähige Schlüsselwort- und Vektorsuche.
  • Unterstützt alle Embedding-Provider.
  • Die Hybridsuche kombiniert die Vorteile beider Abrufansätze.
Erwägen Sie einen Wechsel zu QMD, wenn Sie eine Neugewichtung, eine Abfrage- erweiterung oder die Indizierung von Verzeichnissen außerhalb des Arbeitsbereichs benötigen. Erwägen Sie Honcho, wenn Sie sitzungsübergreifendes Memory mit automatischer Benutzermodellierung wünschen.

​
Fehlerbehebung

Memory-Suche deaktiviert? Überprüfen Sie openclaw memory status. Wenn kein Provider erkannt wird, legen Sie explizit einen fest oder fügen Sie einen API-Schlüssel hinzu. Lokaler Provider nicht erkannt? Vergewissern Sie sich, dass der lokale Pfad vorhanden ist, und führen Sie Folgendes aus:
Sowohl eigenständige CLI-Befehle als auch das Gateway verwenden dieselbe Provider-ID local. Legen Sie memory.search.provider: "local" fest, wenn Sie lokale Embeddings verwenden möchten. Veraltete Ergebnisse? Führen Sie openclaw memory index --force aus, um den Index neu aufzubauen. Die Dateiüberwachung kann in seltenen Grenzfällen Änderungen übersehen. sqlite-vec wird nicht geladen? OpenClaw greift automatisch auf die prozessinterne Kosinus- Ähnlichkeit zurück. openclaw memory status --deep meldet den lokalen Vektorspeicher getrennt vom Embedding-Provider, daher verweist Vector store: unavailable auf das Laden von sqlite-vec, während Embeddings: unavailable auf die Bereitschaft des Providers, der Authentifizierung oder des Modells verweist. Prüfen Sie die Protokolle auf den konkreten Ladefehler.

​
Konfiguration

Informationen zur Einrichtung von Embedding-Providern, zur Optimierung der Hybridsuche (Gewichtungen, MMR, zeitlicher Verfall), zur Batch-Indizierung, zu multimodalem Memory, sqlite-vec, zusätzlichen Pfaden und allen anderen Konfigurationsoptionen finden Sie in der Referenz zur Memory-Konfiguration.

​
Verwandte Themen