Referenz zur Speicherkonfiguration

Diese Seite führt alle Konfigurationsoptionen für die OpenClaw-Speichersuche auf. Konzeptionelle Übersichten finden Sie unter:

Speicherübersicht

Funktionsweise des Speichers.

Integrierte Engine

Standardmäßiges SQLite-Backend.

QMD-Engine

Local-First-Sidecar.

Speichersuche

Suchpipeline und Optimierung.

Active Memory

Speicher-Subagent für interaktive Sitzungen.

Alle gemeinsamen Speichereinstellungen befinden sich unter memory auf oberster Ebene in openclaw.json. Suchstandards verwenden memory.search; agentenspezifische Suchüberschreibungen verwenden agents.entries.*.memory.search.

Verwenden Sie für den empfohlenen persönlichen Agenten-Workflow memory.search.rememberAcrossConversations. Erweiterte Steuerelemente für Zielauswahl, Modell, Prompt und Latenz von Active Memory befinden sich unter plugins.entries.active-memory.Informationen zu beiden Aktivierungspfaden, zur Transkriptpersistenz und zu Hinweisen für eine sichere Einführung finden Sie unter Active Memory.

Gesprächsübergreifend erinnern

Schlüssel	Typ	Standard	Beschreibung
`rememberAcrossConversations`	`boolean`	Bei persönlichen Installationen aktiviert; bei konfigurierter DM-Isolierung deaktiviert	Relevanten Kontext aus anderen erkannten privaten Gesprächen dieses Agenten verwenden.

Konfigurieren Sie dies agentenspezifisch, wenn nur ein vertrauenswürdiger persönlicher Agent den gesprächsübergreifenden Transkriptabruf verwenden soll:

{
  agents: {
    entries: {
      personal: {
        memory: {
          search: {
            rememberAcrossConversations: true,
          },
        },
      },
    },
  },
}

Der Wert folgt der normalen Vererbung von memory.search mit einer agentenspezifischen Überschreibung. Wenn er nicht gesetzt ist, ist er standardmäßig nur aktiviert, wenn das globale session.dmScope nicht gesetzt oder "main" ist und keine Bindung eine session.dmScope-Überschreibung besitzt. Jede konfigurierte DM-Isolierung deaktiviert ihn standardmäßig. Ein explizites true oder false hat immer Vorrang. Die Aktivierung impliziert die Indizierung von Sitzungstranskripten und fügt sessions zu den aufgelösten Speicherquellen des Agenten hinzu. Bei QMD aktiviert sie außerdem den Sitzungsexport dieses Agenten; für diesen Modus ist keine separate Einstellung memory.qmd.sessions.enabled erforderlich. Der integrierte Speicher-Provider von OpenClaw unterstützt diesen geschützten Pfad sowohl mit dem integrierten als auch mit dem QMD-Backend. Alternative Speicher-Provider können weiterhin ihre eigenen Abruf-Hooks und erweiterten Active-Memory-Werkzeuge verwenden, diese Einstellung wird jedoch übersprungen, sofern der aktuelle Provider keinen geschützten Abruf privater Transkripte unterstützt. openclaw doctor meldet einen nicht unterstützten Provider oder eine explizite Active-Memory-Liste toolsAllow, in der memory_search fehlt. Die Abrufgrenze ist enger als bei der allgemeinen Sitzungssuche:

nur erkannte private Gespräche desselben Agenten sind zulässig
das aktuell beantwortete Gespräch ist ausgeschlossen
Gruppen und Kanäle sind als Quellen und Ziele ausgeschlossen
unbekannte Gesprächsarten werden standardmäßig abgelehnt
der Abruf in einer Sandbox kann die spezielle gesprächsübergreifende Autorisierung nicht verwenden

Die Einstellung ändert weder tools.sessions.visibility noch Sitzungsschlüssel, Transkriptspeicherung, Zustellungsrouting oder die Berechtigungen von sessions_list, sessions_history und sessions_send. Active Memory führt einen begrenzten, schreibgeschützten Abrufdurchlauf aus; ein nicht verfügbarer oder wegen Zeitüberschreitung abgebrochener Abruf blockiert die Antwort nicht.

Provider-Auswahl

Schlüssel	Typ	Standard	Beschreibung
`enabled`	`boolean`	`true`	Speichersuche aktivieren oder deaktivieren
`provider`	`string`	`"openai"`	ID des Embedding-Adapters, beispielsweise `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai`, `openai-compatible` oder `voyage`; kann auch ein konfigurierter `models.providers.<id>` sein, dessen `api` auf einen Speicher-Embedding-Adapter oder eine OpenAI-kompatible Modell-API verweist
`model`	`string`	Provider-Standard	Name des Embedding-Modells
`fallback`	`string`	`"none"`	ID des Fallback-Adapters, wenn der primäre Adapter ausfällt

Wenn provider nicht gesetzt ist, verwendet OpenClaw OpenAI-Embeddings. Legen Sie provider explizit fest, um Bedrock, DeepInfra, Gemini, GitHub Copilot, Mistral, Ollama, Voyage, ein lokales GGUF-Modell oder einen OpenAI-kompatiblen /v1/embeddings-Endpunkt zu verwenden. Legacy-Konfigurationen, die noch provider: "auto" angeben, werden als openai aufgelöst.

Eine Änderung des Embedding-Providers, des Modells, der Provider-Einstellungen, der Quellen, des Geltungsbereichs, der Segmentierung oder des Tokenizers kann den vorhandenen SQLite-Vektorindex inkompatibel machen. OpenClaw pausiert die Vektorsuche und meldet eine Warnung zur Indexidentität, statt automatisch alles neu einzubetten. Erstellen Sie den Index mit openclaw memory status --index --agent <id> oder openclaw memory index --force --agent <id> neu, sobald Sie bereit sind.

Wenn provider nicht gesetzt ist, das veraltete provider: "auto" vorhanden ist oder provider: "none" absichtlich den reinen FTS-Modus auswählt, kann der Speicherabruf weiterhin die lexikalische FTS-Rangfolge verwenden, wenn Embeddings nicht verfügbar sind. Explizite nicht lokale Provider werden standardmäßig abgelehnt. Wenn Sie memory.search.provider auf einen konkreten, remote angebundenen Provider wie Bedrock, DeepInfra, Gemini, GitHub Copilot, LM Studio, Mistral, Ollama, OpenAI, Voyage oder einen OpenAI-kompatiblen benutzerdefinierten Provider setzen und dieser Provider zur Laufzeit nicht verfügbar ist, gibt memory_search ein Ergebnis des Typs „nicht verfügbar“ zurück, statt unbemerkt einen reinen FTS-Abruf zu verwenden. Korrigieren Sie die Provider-/Authentifizierungskonfiguration, wechseln Sie zu einem erreichbaren Provider oder setzen Sie provider: "none", wenn Sie bewusst einen reinen FTS-Abruf verwenden möchten.

Benutzerdefinierte Provider-IDs

memory.search.provider kann auf einen benutzerdefinierten models.providers.<id>-Eintrag für speicherspezifische Provider-Adapter wie ollama oder für OpenAI-kompatible Modell-APIs wie openai-responses / openai-completions verweisen. OpenClaw löst den api-Owner dieses Providers für den Embedding-Adapter auf und behält dabei die benutzerdefinierte Provider-ID für die Verarbeitung von Endpunkt, Authentifizierung und Modellpräfix bei. Dadurch können Multi-GPU- oder Multi-Host-Konfigurationen Speicher-Embeddings einem bestimmten lokalen Endpunkt zuweisen:

{
  models: {
    providers: {
      "ollama-5080": {
        api: "ollama",
        baseUrl: "http://gpu-box.local:11435",
        apiKey: "ollama-local",
        models: [{ id: "qwen3-embedding:0.6b", name: "Qwen3 Embedding 0.6B" }],
      },
    },
  },
  memory: {
    search: {
      provider: "ollama-5080",
      model: "qwen3-embedding:0.6b",
    },
  },
}

Auflösung des API-Schlüssels

Remote-Embeddings erfordern einen API-Schlüssel. Bedrock verwendet stattdessen die standardmäßige Anmeldedatenkette des AWS SDK (Instanzrollen, SSO, Zugriffsschlüssel oder einen Bedrock-API-Schlüssel).

Provider	Umgebungsvariable	Konfigurationsschlüssel
Bedrock	AWS-Anmeldedatenkette oder `AWS_BEARER_TOKEN_BEDROCK`	Kein API-Schlüssel erforderlich
DeepInfra	`DEEPINFRA_API_KEY`	`models.providers.deepinfra.apiKey`
Gemini	`GEMINI_API_KEY`	`models.providers.google.apiKey`
GitHub Copilot	`COPILOT_GITHUB_TOKEN`, `GH_TOKEN`, `GITHUB_TOKEN`	Authentifizierungsprofil über Geräteanmeldung
Mistral	`MISTRAL_API_KEY`	`models.providers.mistral.apiKey`
Ollama	`OLLAMA_API_KEY` (Platzhalter)	—
OpenAI	`OPENAI_API_KEY`	`models.providers.openai.apiKey`
Voyage	`VOYAGE_API_KEY`	`models.providers.voyage.apiKey`

Codex OAuth deckt nur Chat/Vervollständigungen ab und erfüllt keine Embedding-Anfragen.

Konfiguration des Remote-Endpunkts

Verwenden Sie provider: "openai-compatible" für einen generischen OpenAI-kompatiblen /v1/embeddings-Server, der keine globalen OpenAI-Chat-Anmeldedaten erben soll.

string

Benutzerdefinierte API-Basis-URL.

string

API-Schlüssel überschreiben.

object

Zusätzliche HTTP-Header (mit den Provider-Standards zusammengeführt).

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

Providerspezifische Konfiguration

Gemini

Schlüssel	Typ	Standard	Beschreibung
`model`	`string`	`gemini-embedding-001`	Unterstützt auch `gemini-embedding-2-preview`
`outputDimensionality`	`number`	`3072`	Für Embedding 2: 768, 1536 oder 3072

Eine Änderung des Modells oder von outputDimensionality ändert die Indexidentität. OpenClaw pausiert die Vektorsuche, bis Sie den Speicherindex explizit neu erstellen.

Eingabetypen für OpenAI-Kompatibilität

OpenAI-kompatible Embedding-Endpunkte können providerspezifische input_type-Anfragefelder aktivieren. Dies ist für asymmetrische Embedding-Modelle nützlich, die unterschiedliche Bezeichnungen für Abfrage- und Dokument-Embeddings erfordern.

Schlüssel	Typ	Standard	Beschreibung
`inputType`	`string`	nicht gesetzt	Gemeinsames `input_type` für Abfrage- und Dokument-Embeddings
`queryInputType`	`string`	nicht gesetzt	`input_type` zur Abfragezeit; überschreibt `inputType`
`documentInputType`	`string`	nicht gesetzt	`input_type` für Index/Dokument; überschreibt `inputType`

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

Änderungen an diesen Werten wirken sich auf die Identität des Embedding-Caches für die Batch-Indexierung des Providers aus. Wenn das vorgelagerte Modell die Bezeichnungen unterschiedlich behandelt, sollte anschließend der Speicher neu indexiert werden.

Bedrock

Bedrock-Embedding-Konfiguration

Bedrock verwendet die standardmäßige Anmeldedatenkette des AWS SDK sowie ein von OpenClaw geprüftes Bearer-Token, sodass keine API-Schlüssel in der Konfiguration gespeichert werden. Wenn OpenClaw auf EC2 mit einer für Bedrock aktivierten Instanzrolle ausgeführt wird, legen Sie lediglich Provider und Modell fest:

{
  memory: {
    search: {
      provider: "bedrock",
      model: "amazon.titan-embed-text-v2:0",
    },
  },
}

Schlüssel	Typ	Standard	Beschreibung
`model`	`string`	`amazon.titan-embed-text-v2:0`	Beliebige Bedrock-Embedding-Modell-ID
`outputDimensionality`	`number`	Modellstandard	Für Titan V2: 256, 512 oder 1024

Unterstützte Modelle (mit Familienerkennung und Standarddimensionen):

Modell-ID	Provider	Standarddimensionen	Konfigurierbare Dimensionen
`amazon.titan-embed-text-v2:0`	Amazon	1024	256, 512, 1024
`amazon.titan-embed-text-v1`	Amazon	1536	—
`amazon.titan-embed-g1-text-02`	Amazon	1536	—
`amazon.titan-embed-image-v1`	Amazon	1024	—
`amazon.nova-2-multimodal-embeddings-v1:0`	Amazon	1024	256, 384, 1024, 3072
`cohere.embed-english-v3`	Cohere	1024	—
`cohere.embed-multilingual-v3`	Cohere	1024	—
`cohere.embed-v4:0`	Cohere	1536	256, 384, 512, 768, 1024, 1536
`twelvelabs.marengo-embed-3-0-v1:0`	TwelveLabs	512	—
`twelvelabs.marengo-embed-2-7-v1:0`	TwelveLabs	1024	—

Varianten mit Durchsatzsuffix (z. B. amazon.titan-embed-text-v1:2:8k) und Inferenzprofil-IDs mit Regionspräfix (z. B. us.amazon.titan-embed-text-v2:0) übernehmen die Konfiguration des Basismodells.Region: wird in dieser Reihenfolge ermittelt: die Überschreibung memory.search.remote.baseUrl, die Konfiguration models.providers.amazon-bedrock.baseUrl, AWS_REGION, AWS_DEFAULT_REGION und anschließend der Standardwert us-east-1.Authentifizierung: OpenClaw prüft zunächst auf AWS_ACCESS_KEY_ID + AWS_SECRET_ACCESS_KEY oder AWS_BEARER_TOKEN_BEDROCK und greift danach auf die standardmäßige Anmeldedaten-Provider-Kette des AWS SDK zurück:

Umgebungsvariablen (AWS_ACCESS_KEY_ID + AWS_SECRET_ACCESS_KEY), sofern nicht auch AWS_PROFILE festgelegt ist
SSO (nur wenn SSO-Felder konfiguriert sind)
Freigegebene Anmeldedaten- und Konfigurationsdateien (fromIni, einschließlich AWS_PROFILE)
Anmeldedatenprozess (credential_process in der AWS-Konfigurationsdatei)
Anmeldedaten für Webidentitäts-Token
Anmeldedaten aus ECS- oder EC2-Instanzmetadaten

IAM-Berechtigungen: Die IAM-Rolle oder der IAM-Benutzer benötigt:

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

Beschränken Sie für das Prinzip der geringsten Rechte InvokeModel auf das jeweilige Modell:

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

Lokal (GGUF + llama.cpp)

Schlüssel	Typ	Standard	Beschreibung
`local.modelPath`	`string`	automatisch heruntergeladen	Pfad zur GGUF-Modelldatei
`local.modelCacheDir`	`string`	node-llama-cpp-Standard	Cache-Verzeichnis für heruntergeladene Modelle
`local.contextSize`	`number \| "auto"`	`4096`	Größe des Kontextfensters für den Embedding-Kontext. 4096 deckt typische Abschnitte (128–512 Token) ab und begrenzt zugleich den nicht durch Gewichtungen belegten VRAM. Auf eingeschränkten Hosts auf 1024–2048 reduzieren. `"auto"` verwendet das trainierte Maximum des Modells – für Modelle ab 8B nicht empfohlen (Qwen3-Embedding-8B: Bis zu 40 960 Token können den VRAM-Bedarf auf ~32 GB erhöhen).

Installieren Sie zunächst den offiziellen llama.cpp-Provider: openclaw plugins install @openclaw/llama-cpp-provider. Standardmodell: embeddinggemma-300m-qat-Q8_0.gguf (~0,6 GB, wird automatisch heruntergeladen). Quellcode-Checkouts erfordern weiterhin eine Genehmigung des nativen Builds: pnpm approve-builds und anschließend pnpm rebuild node-llama-cpp.Verwenden Sie die eigenständige CLI, um denselben Provider-Pfad zu überprüfen, den der Gateway verwendet:

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

Numerische Werte für local.contextSize beeinflussen außerdem die automatische Platzierung der GPU-Schichten durch node-llama-cpp, sodass Modellgewichtungen und der angeforderte Embedding-Kontext gemeinsam eingepasst werden. openclaw memory status --deep meldet den zuletzt bekannten llama.cpp-Backend-, Geräte- und Auslagerungsstatus sowie den angeforderten Kontext und mit Zeitstempeln versehene Speicherinformationen, nachdem die Laufzeit geladen wurde; eine passive Statusabfrage lädt kein Modell.Legen Sie provider: "local" für lokale GGUF-Embeddings explizit fest. hf: und HTTP(S)-Modellreferenzen werden für explizite lokale Konfigurationen unterstützt (über die Modellauflösung von node-llama-cpp), ändern jedoch nicht den standardmäßigen Provider.

Indexierungsverhalten

Speicher-Engines verwalten Synchronisierung, Batch-Verarbeitung, Überwachung und Indexierungsheuristiken nach der Compaction. OpenClaw hält diese Verhaltensweisen mit gepflegten Standardwerten aktiviert, anstatt installationsspezifische Zeitsteuerungsoptionen bereitzustellen.

Konfiguration der hybriden Suche

Alle unter memory.search.query:

Schlüssel	Typ	Standard	Beschreibung
`maxResults`	`number`	`6`	Maximale Anzahl vor der Einfügung zurückgegebener Speichertreffer
`minScore`	`number`	`0.35`	Mindestrelevanzwert zum Einbeziehen eines Treffers

Der hybride Abruf bleibt aktiviert; MMR und zeitlicher Zerfall bleiben durch die integrierte Engine-Richtlinie deaktiviert.

Vollständiges Beispiel

{
  memory: {
    search: {
      query: {
        maxResults: 6,
        minScore: 0.35,
      },
    },
  },
}

Zusätzliche Speicherpfade

Schlüssel	Typ	Beschreibung
`extraPaths`	`string[]`	Zusätzliche zu indexierende Verzeichnisse oder Dateien

{
  memory: {
    search: {
      extraPaths: ["../team-docs", "/srv/shared-notes"],
    },
  },
}

Pfade können absolut oder relativ zum Arbeitsbereich sein. Verzeichnisse werden rekursiv nach .md-Dateien durchsucht. Die Behandlung symbolischer Verknüpfungen hängt vom aktiven Backend ab: Die integrierte Engine überspringt symbolische Verknüpfungen, während QMD dem Verhalten des zugrunde liegenden QMD-Scanners folgt. Verwenden Sie für die agentenspezifische, agentenübergreifende Transkriptsuche agents.entries.*.memory.search.qmd.extraCollections anstelle von memory.qmd.paths. Diese zusätzlichen Sammlungen folgen derselben { path, name, pattern? }-Struktur, werden jedoch pro Agent zusammengeführt und können explizite gemeinsam verwendete Namen beibehalten, wenn der Pfad außerhalb des aktuellen Arbeitsbereichs liegt. Wenn derselbe aufgelöste Pfad sowohl in memory.qmd.paths als auch in memory.search.qmd.extraCollections vorkommt, behält QMD den ersten Eintrag bei und überspringt das Duplikat.

Multimodaler Speicher (Gemini)

Indexieren Sie Bilder und Audiodateien zusammen mit Markdown mithilfe von Gemini Embedding 2:

Schlüssel	Typ	Standard	Beschreibung
`multimodal.enabled`	`boolean`	`false`	Multimodale Indexierung aktivieren
`multimodal.modalities`	`string[]`	—	`["image"]`, `["audio"]` oder `["all"]`
`multimodal.maxFileBytes`	`number`	`10485760`	Maximale Dateigröße für die Indexierung (10 MiB)

Gilt nur für Dateien in extraPaths. Standardspeicherstammverzeichnisse bleiben auf Markdown beschränkt. Erfordert gemini-embedding-2-preview. fallback muss "none" sein.

Unterstützte Formate: .jpg, .jpeg, .png, .webp, .gif, .heic, .heif (Bilder); .mp3, .wav, .ogg, .opus, .m4a, .aac, .flac (Audio).

Embedding-Cache

Schlüssel	Typ	Standard	Beschreibung
`cache.enabled`	`boolean`	`true`	Embeddings von Abschnitten in SQLite zwischenspeichern

Verhindert, dass unveränderter Text bei einer Neuindexierung oder bei Transkriptaktualisierungen erneut eingebettet wird.

Batch-Indexierung

Schlüssel	Typ	Standard	Beschreibung
`remote.nonBatchConcurrency`	`number`	`4`	Parallele Inline-Embeddings
`remote.batch.enabled`	`boolean`	`false`	Batch-Embedding-API aktivieren

Verfügbar für gemini, openai und voyage. Die Batch-Verarbeitung von OpenAI ist bei umfangreichen Nachindexierungen üblicherweise am schnellsten und kostengünstigsten. Parallelität, Abfrageintervalle und Zeitüberschreitungsverhalten werden vom Provider verwaltet.

Sitzungsspeichersuche

Indexieren Sie Sitzungstranskripte und stellen Sie sie über memory_search bereit:

Schlüssel	Typ	Standard	Beschreibung
`rememberAcrossConversations`	`boolean`	`false`	Privaten Abruf über mehrere Konversationen hinweg zulassen
`sources`	`string[]`	`["memory"]`	`"sessions"` hinzufügen, um Transkripte einzubeziehen

Die Sitzungsindizierung ist optional und wird asynchron ausgeführt. Ergebnisse können geringfügig veraltet sein. Sitzungsprotokolle befinden sich auf dem Datenträger; betrachten Sie daher den Dateisystemzugriff als Vertrauensgrenze.

Die gewöhnliche, vom Modell aufgerufene Suche in Sitzungstranskripten richtet sich nach tools.sessions.visibility. Die standardmäßige Sichtbarkeit tree umfasst die aktuelle Sitzung, von ihr gestartete Sitzungen und Gruppensitzungen desselben Agenten, die über die implizite Gruppenwahrnehmung beobachtet werden. Andere, nicht zusammenhängende Sitzungen erfordern die Sichtbarkeit agent (oder all nur, wenn auch agentenübergreifender Abruf erforderlich ist und die Agent-zu-Agent-Richtlinie dies zulässt). rememberAcrossConversations erweitert diese Einstellung nicht. Es stellt eine separate, nur zur Laufzeit gültige Autorisierung bereit, die während des begrenzten Active-Memory-Durchlaufs auf private Transkripte desselben Agenten beschränkt ist. Die folgenden Beispiele platzieren diese Einstellungen unter memory.search auf oberster Ebene. Sie können entsprechende Einstellungen auch in einer agentenspezifischen Überschreibung memory.search anwenden, wenn nur ein Agent Sitzungstranskripte indizieren und durchsuchen soll. Für den Abruf vom Gateway in Direktnachrichten durch denselben Agenten:

Integriertes Backend
QMD-Backend

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

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

Bei Verwendung von QMD exportiert sources: ["sessions"] Transkripte nicht von selbst nach QMD. Legen Sie zusätzlich memory.qmd.sessions.enabled: true fest. Die übergeordnete Einstellung rememberAcrossConversations: true bildet die Ausnahme: Sie impliziert den erforderlichen QMD-Sitzungsexport für diesen Agenten. Implizite Exporte bleiben privat: Sie verwenden immer den standardmäßigen internen Exportspeicherort (ein konfiguriertes sessions.exportDir gilt nur für explizite Exporte), werden nur beim konversationsübergreifenden Abruf dieses Agenten durchsucht und können von gewöhnlichem memory_get nicht gelesen werden. Explizites memory.qmd.sessions.enabled: true behält sein bestehendes Verhalten bei und macht exportierte Transkripte zu einem Teil des gewöhnlichen Speicherkorpus.

SQLite-Vektorbeschleunigung (sqlite-vec)

Schlüssel	Typ	Standardwert	Beschreibung
`store.vector.enabled`	`boolean`	`true`	sqlite-vec für Vektorabfragen verwenden
`store.vector.extensionPath`	`string`	mitgeliefert	sqlite-vec-Pfad überschreiben

Wenn sqlite-vec nicht verfügbar ist, greift OpenClaw automatisch auf die prozessinterne Kosinusähnlichkeit zurück.

Indexspeicherung

Integrierte Speicherindizes befinden sich in der OpenClaw-SQLite-Datenbank des jeweiligen Agenten unter agents/<agentId>/agent/openclaw-agent.sqlite.

Schlüssel	Typ	Standardwert	Beschreibung
`store.fts.tokenizer`	`string`	`unicode61`	FTS5-Tokenizer (`unicode61` oder `trigram`)

QMD-Backend-Konfiguration

Legen Sie zum Aktivieren memory.backend = "qmd" fest. Alle QMD-Einstellungen befinden sich unter memory.qmd:

Schlüssel	Typ	Standardwert	Beschreibung
`command`	`string`	`qmd`	Pfad zur ausführbaren QMD-Datei; legen Sie einen absoluten Pfad fest, wenn sich der Dienst-`PATH` von Ihrer Shell unterscheidet
`searchMode`	`string`	`search`	Suchbefehl: `search`, `vsearch`, `query`
`rerank`	`boolean`	—	Mit `searchMode: "query"` und QMD 2.1+ auf `false` setzen, um das QMD-Reranking zu überspringen
`includeDefaultMemory`	`boolean`	`true`	`MEMORY.md` + `memory/*/.md` automatisch indizieren
`paths[]`	`array`	—	Zusätzliche Pfade: `{ name, path, pattern? }`
`sessions.enabled`	`boolean`	`false`	Sitzungstranskripte nach QMD exportieren
`sessions.retentionDays`	`number`	—	Aufbewahrung von Transkripten
`sessions.exportDir`	`string`	—	Exportverzeichnis

searchMode: "search" arbeitet ausschließlich lexikalisch bzw. mit BM25. OpenClaw führt für diesen Modus keine semantischen Prüfungen der Vektorbereitschaft oder Wartung von QMD-Einbettungen aus, auch nicht während memory status --deep; vsearch und query erfordern weiterhin die QMD-Vektorbereitschaft und Einbettungen. rerank: false ändert nur den QMD-Modus query und erfordert QMD 2.1 oder neuer. Im direkten CLI-Modus übergibt OpenClaw --no-rerank; im mcporter-basierten MCP-Modus übergibt es rerank: false an das vereinheitlichte Abfragewerkzeug von QMD. Lassen Sie die Einstellung weg, um das standardmäßige QMD-Reranking für Abfragen zu verwenden. OpenClaw bevorzugt aktuelle QMD-Sammlungs- und MCP-Abfrageformate, unterstützt jedoch weiterhin ältere QMD-Versionen, indem es bei Bedarf kompatible Flags für Sammlungsmuster und ältere MCP-Werkzeugnamen ausprobiert. Wenn QMD die Unterstützung mehrerer Sammlungsfilter angibt, werden Sammlungen derselben Quelle mit einem einzigen QMD-Prozess durchsucht; ältere QMD-Builds behalten den Kompatibilitätspfad pro Sammlung bei. „Dieselbe Quelle“ bedeutet, dass dauerhafte Speichersammlungen (standardmäßige Speicherdateien sowie benutzerdefinierte Pfade) zusammen gruppiert werden, während Sammlungen von Sitzungstranskripten eine separate Gruppe bleiben, sodass der Diversifizierung nach Quellen weiterhin beide Eingaben zur Verfügung stehen.

QMD-Modellüberschreibungen verbleiben auf der QMD-Seite und nicht in der OpenClaw-Konfiguration. Wenn Sie die Modelle von QMD global überschreiben müssen, legen Sie Umgebungsvariablen wie QMD_EMBED_MODEL, QMD_RERANK_MODEL und QMD_GENERATE_MODEL in der Laufzeitumgebung des Gateways fest.

Grenzwerte

Schlüssel	Typ	Standardwert	Beschreibung
`limits.maxResults`	`number`	`4`	Maximale Anzahl von Suchergebnissen
`limits.maxSnippetChars`	`number`	`450`	Ausschnittlänge begrenzen
`limits.maxInjectedChars`	`number`	`2200`	Gesamtzahl eingefügter Zeichen begrenzen
`limits.timeoutMs`	`number`	`4000`	Zeitüberschreitung für QMD-Befehle bei QMD-gestützter Suche, einschließlich `memory_search`; Einrichtung, Synchronisierung, integrierter Rückgriff und ergänzende Arbeiten behalten die standardmäßige Werkzeugfrist bei

Geltungsbereich

Steuert, welche Sitzungen QMD-Suchergebnisse erhalten können. Dasselbe Schema wie bei session.sendPolicy:

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

Der mitgelieferte Standard ist ausschließlich auf Direktnachrichten bzw. direkte Chats beschränkt und lehnt Gruppen sowie andere Kanaltypen ab. match.keyPrefix entspricht dem normalisierten Sitzungsschlüssel; match.rawKeyPrefix entspricht dem Rohschlüssel einschließlich agent:<id>:.

Quellenangaben

memory.citations gilt für alle Backends:

Wert	Verhalten
`auto` (Standardwert)	`Source: <path#line>`-Fußzeile in Ausschnitte aufnehmen
`on`	Fußzeile immer aufnehmen
`off`	Fußzeile weglassen (Pfad wird intern weiterhin an den Agenten übergeben)

QMD wird verzögert initialisiert, wenn der Speicher erstmals verwendet wird; sein Adapter verwaltet die Zeitpläne für Aktualisierungen und Einbettungen.

Vollständiges QMD-Beispiel

{
  memory: {
    backend: "qmd",
    citations: "auto",
    qmd: {
      includeDefaultMemory: true,
      update: { interval: "5m", debounceMs: 15000 },
      limits: { maxResults: 4, timeoutMs: 4000 },
      scope: {
        default: "deny",
        rules: [{ action: "allow", match: { chatType: "direct" } }],
      },
      paths: [{ name: "docs", path: "~/notes", pattern: "**/*.md" }],
    },
  },
}

Dreaming

Dreaming wird unter plugins.entries.memory-core.config.dreaming konfiguriert, nicht unter memory.search. Dreaming wird als ein geplanter Durchlauf ausgeführt und verwendet interne Leicht-/Tief-/REM-Phasen als Implementierungsdetail. Informationen zum konzeptionellen Verhalten und zu Slash-Befehlen finden Sie unter Dreaming.

Benutzereinstellungen

Schlüssel	Typ	Standardwert	Beschreibung
`enabled`	`boolean`	`false`	Dreaming vollständig aktivieren oder deaktivieren
`frequency`	`string`	`0 3 * * *`	Optionaler Cron-Zeitplan für den vollständigen Dreaming-Durchlauf
`model`	`string`	Standardmodell	Optionale Modellüberschreibung für den Dream-Diary-Subagenten
`phases.deep.maxPromotedSnippetTokens`	`number`	`160`	Maximale Anzahl geschätzter Tokens, die aus jedem in `MEMORY.md` übernommenen Ausschnitt des Kurzzeitabrufs beibehalten werden; Herkunftsmetadaten bleiben sichtbar

Beispiel

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

Dreaming schreibt den Maschinenzustand nach memory/.dreams/.
Dreaming schreibt menschenlesbare narrative Ausgaben nach DREAMS.md (oder in ein vorhandenes dreams.md).
dreaming.model verwendet die vorhandene Vertrauensprüfung des Plugins für Subagenten; legen Sie vor der Aktivierung plugins.entries.memory-core.subagent.allowModelOverride: true fest.
Dream Diary versucht es einmal erneut mit dem Standardmodell der Sitzung, wenn das konfigurierte Modell nicht verfügbar ist. Fehler bei der Vertrauensprüfung oder der Zulassungsliste werden protokolliert und nicht stillschweigend erneut versucht.
Die Richtlinie und Schwellenwerte der Leicht-/Tief-/REM-Phasen sind internes Verhalten und keine benutzerseitige Konfiguration.

CLI commands

RPC and API

Codex harness

Plugin reference

Plugin SDK reference

Plugin maintainer reference

Templates

Technical reference

Concept internals

Project

Contributing

Referenz zur Speicherkonfiguration

Speicherübersicht

Integrierte Engine

QMD-Engine

Speichersuche

Active Memory

Gesprächsübergreifend erinnern

Provider-Auswahl

Benutzerdefinierte Provider-IDs

Auflösung des API-Schlüssels

Konfiguration des Remote-Endpunkts

Providerspezifische Konfiguration

Bedrock-Embedding-Konfiguration

Indexierungsverhalten

Konfiguration der hybriden Suche

Vollständiges Beispiel

Zusätzliche Speicherpfade

Multimodaler Speicher (Gemini)

Embedding-Cache

Batch-Indexierung

Sitzungsspeichersuche

SQLite-Vektorbeschleunigung (sqlite-vec)

Indexspeicherung

QMD-Backend-Konfiguration

Vollständiges QMD-Beispiel

Dreaming

Benutzereinstellungen

Beispiel

Verwandte Themen

Speicherübersicht

Integrierte Engine

QMD-Engine

Speichersuche

Active Memory

​Gesprächsübergreifend erinnern

​Provider-Auswahl

​Benutzerdefinierte Provider-IDs

​Auflösung des API-Schlüssels

​Konfiguration des Remote-Endpunkts

​Providerspezifische Konfiguration

​Bedrock-Embedding-Konfiguration

​Indexierungsverhalten

​Konfiguration der hybriden Suche

​Vollständiges Beispiel

​Zusätzliche Speicherpfade

​Multimodaler Speicher (Gemini)

​Embedding-Cache

​Batch-Indexierung

​Sitzungsspeichersuche

​SQLite-Vektorbeschleunigung (sqlite-vec)

​Indexspeicherung

​QMD-Backend-Konfiguration

​Vollständiges QMD-Beispiel

​Dreaming

​Benutzereinstellungen

​Beispiel

​Verwandte Themen

Gesprächsübergreifend erinnern

Provider-Auswahl

Benutzerdefinierte Provider-IDs

Auflösung des API-Schlüssels

Konfiguration des Remote-Endpunkts

Providerspezifische Konfiguration

Bedrock-Embedding-Konfiguration

Indexierungsverhalten

Konfiguration der hybriden Suche

Vollständiges Beispiel

Zusätzliche Speicherpfade

Multimodaler Speicher (Gemini)

Embedding-Cache

Batch-Indexierung

Sitzungsspeichersuche

SQLite-Vektorbeschleunigung (sqlite-vec)

Indexspeicherung

QMD-Backend-Konfiguration

Vollständiges QMD-Beispiel

Dreaming

Benutzereinstellungen

Beispiel

Verwandte Themen