Referencia de configuración de memoria

Esta página enumera cada ajuste de configuración para la búsqueda de memoria de OpenClaw. Para descripciones conceptuales, consulta:

Descripción general de memoria

Cómo funciona la memoria.

Motor integrado

Backend SQLite predeterminado.

Motor QMD

Sidecar local-first.

Búsqueda de memoria

Canalización de búsqueda y ajuste.

Active Memory

Subagente de memoria para sesiones interactivas.

Todos los ajustes de búsqueda de memoria viven bajo agents.defaults.memorySearch en openclaw.json (o una anulación por agente en agents.list[].memorySearch), salvo que se indique lo contrario.

Si buscas el interruptor de la función Active Memory y la configuración del subagente, eso vive bajo plugins.entries.active-memory en lugar de memorySearch.Active Memory usa un modelo de dos compuertas:

el Plugin debe estar habilitado y apuntar al id del agente actual
la solicitud debe ser una sesión de chat persistente interactiva elegible

Consulta Active Memory para ver el modelo de activación, la configuración propiedad del Plugin, la persistencia de transcripciones y el patrón de despliegue seguro.

Selección de proveedor

Clave	Tipo	Predeterminado	Descripción
`enabled`	`boolean`	`true`	Habilita o deshabilita la búsqueda de memoria
`provider`	`string`	`"openai"`	ID del adaptador de embeddings como `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai`, `openai-compatible` o `voyage`; también puede ser un `models.providers.<id>` configurado cuyo `api` apunte a un adaptador de embeddings de memoria o a una API de modelo compatible con OpenAI
`model`	`string`	predeterminado del proveedor	Nombre del modelo de embeddings
`fallback`	`string`	`"none"`	ID del adaptador alternativo cuando falla el principal

Cuando provider no está definido, OpenClaw usa embeddings de OpenAI. Define provider explícitamente para usar Bedrock, DeepInfra, Gemini, GitHub Copilot, Mistral, Ollama, Voyage, un modelo GGUF local o un endpoint /v1/embeddings compatible con OpenAI. Las configuraciones heredadas que aún dicen provider: "auto" se resuelven como openai.

Cambiar el proveedor de embeddings, el modelo, los ajustes del proveedor, las fuentes, el alcance, la fragmentación o el tokenizer puede hacer incompatible el índice vectorial SQLite existente. OpenClaw pausa la búsqueda vectorial e informa una advertencia de identidad del índice en lugar de volver a generar automáticamente todos los embeddings. Reconstrúyelo cuando estés listo con openclaw memory status --index --agent <id> o openclaw memory index --force --agent <id>.

Cuando provider no está definido, existe el provider: "auto" heredado o provider: "none" selecciona intencionalmente el modo solo FTS, la recuperación de memoria aún puede usar ranking léxico FTS cuando los embeddings no están disponibles. Los proveedores explícitos no locales fallan de forma cerrada. Si defines memorySearch.provider como un proveedor concreto respaldado remotamente, como Bedrock, DeepInfra, Gemini, GitHub Copilot, LM Studio, Mistral, Ollama, OpenAI, Voyage o un proveedor personalizado compatible con OpenAI, y ese proveedor no está disponible en tiempo de ejecución, memory_search devuelve un resultado no disponible en lugar de usar silenciosamente la recuperación solo FTS. Corrige la configuración del proveedor/autenticación, cambia a un proveedor alcanzable o define provider: "none" si quieres una recuperación solo FTS deliberada.

IDs de proveedores personalizados

memorySearch.provider puede apuntar a una entrada personalizada models.providers.<id> para adaptadores de proveedor específicos de memoria como ollama, o para API de modelos compatibles con OpenAI como openai-responses / openai-completions. OpenClaw resuelve el propietario api de ese proveedor para el adaptador de embeddings mientras preserva el id de proveedor personalizado para el manejo de endpoint, autenticación y prefijos de modelo. Esto permite que configuraciones multi-GPU o multihost dediquen los embeddings de memoria a un endpoint local específico:

{
  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" }],
      },
    },
  },
  agents: {
    defaults: {
      memorySearch: {
        provider: "ollama-5080",
        model: "qwen3-embedding:0.6b",
      },
    },
  },
}

Resolución de claves de API

Los embeddings remotos requieren una clave de API. Bedrock usa en su lugar la cadena de credenciales predeterminada del AWS SDK (roles de instancia, SSO, claves de acceso o una clave de API de Bedrock).

Proveedor	Variable de entorno	Clave de configuración
Bedrock	cadena de credenciales de AWS, o `AWS_BEARER_TOKEN_BEDROCK`	No se necesita clave de API
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`	Perfil de autenticación mediante inicio de sesión de dispositivo
Mistral	`MISTRAL_API_KEY`	`models.providers.mistral.apiKey`
Ollama	`OLLAMA_API_KEY` (marcador de posición)	—
OpenAI	`OPENAI_API_KEY`	`models.providers.openai.apiKey`
Voyage	`VOYAGE_API_KEY`	`models.providers.voyage.apiKey`

Codex OAuth cubre solo chat/completions y no satisface solicitudes de embeddings.

Configuración de endpoint remoto

Usa provider: "openai-compatible" para un servidor genérico /v1/embeddings compatible con OpenAI que no debe heredar las credenciales globales de chat de OpenAI.

remote.baseUrl

string

URL base de API personalizada.

remote.apiKey

string

Anula la clave de API.

remote.headers

object

Encabezados HTTP adicionales (fusionados con los valores predeterminados del proveedor).

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

Configuración específica del proveedor

Gemini

Clave	Tipo	Predeterminado	Descripción
`model`	`string`	`gemini-embedding-001`	También admite `gemini-embedding-2-preview`
`outputDimensionality`	`number`	`3072`	Para Embedding 2: 768, 1536 o 3072

Cambiar el modelo o outputDimensionality cambia la identidad del índice. OpenClaw pausa la búsqueda vectorial hasta que reconstruyas explícitamente el índice de memoria.

Tipos de entrada compatibles con OpenAI

Los endpoints de embeddings compatibles con OpenAI pueden optar por usar campos de solicitud input_type específicos del proveedor. Esto es útil para modelos de embeddings asimétricos que requieren etiquetas diferentes para embeddings de consulta y de documento.

Clave	Tipo	Predeterminado	Descripción
`inputType`	`string`	sin definir	`input_type` compartido para embeddings de consulta y documento
`queryInputType`	`string`	sin definir	`input_type` en tiempo de consulta; anula `inputType`
`documentInputType`	`string`	sin definir	`input_type` de índice/documento; anula `inputType`

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

Cambiar estos valores afecta la identidad de la caché de embeddings para la indexación por lotes del proveedor y debe ir seguido de una reindexación de memoria cuando el modelo upstream trata las etiquetas de forma diferente.

Bedrock

Configuración de embeddings de Bedrock

Bedrock usa la cadena de credenciales predeterminada del AWS SDK más un token de portador comprobado por OpenClaw, así que no se almacenan claves de API en la configuración. Si OpenClaw se ejecuta en EC2 con un rol de instancia habilitado para Bedrock, solo define el proveedor y el modelo:

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

Clave	Tipo	Predeterminado	Descripción
`model`	`string`	`amazon.titan-embed-text-v2:0`	Cualquier ID de modelo de embeddings de Bedrock
`outputDimensionality`	`number`	predeterminado del modelo	Para Titan V2: 256, 512 o 1024

Modelos admitidos (con detección de familia y valores dimensionales predeterminados):

ID del modelo	Proveedor	Dimensiones predeterminadas	Dimensiones configurables
`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	—

Las variantes con sufijo de rendimiento (por ejemplo, amazon.titan-embed-text-v1:2:8k) y los ID de perfiles de inferencia con prefijo regional (por ejemplo, us.amazon.titan-embed-text-v2:0) heredan la configuración del modelo base.Región: se resuelve en este orden: la anulación memorySearch.remote.baseUrl, la configuración models.providers.amazon-bedrock.baseUrl, AWS_REGION, AWS_DEFAULT_REGION y luego el valor predeterminado us-east-1.Autenticación: OpenClaw comprueba primero AWS_ACCESS_KEY_ID + AWS_SECRET_ACCESS_KEY o AWS_BEARER_TOKEN_BEDROCK; después recurre a la cadena predeterminada estándar de proveedores de credenciales del AWS SDK:

Variables de entorno (AWS_ACCESS_KEY_ID + AWS_SECRET_ACCESS_KEY), salvo que AWS_PROFILE también esté definido
SSO (solo cuando los campos de SSO están configurados)
Credenciales compartidas y archivos de configuración (fromIni, incluye AWS_PROFILE)
Proceso de credenciales (credential_process en el archivo de configuración de AWS)
Credenciales de token de identidad web
Credenciales de metadatos de instancia ECS o EC2

Permisos de IAM: el rol o usuario de IAM necesita:

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

Para privilegios mínimos, limita el alcance de InvokeModel al modelo específico:

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

Local (GGUF + llama.cpp)

Clave	Tipo	Valor predeterminado	Descripción
`local.modelPath`	`string`	descarga automática	Ruta al archivo de modelo GGUF
`local.modelCacheDir`	`string`	predeterminado de node-llama-cpp	Directorio de caché para modelos descargados
`local.contextSize`	`number \| "auto"`	`4096`	Tamaño de la ventana de contexto para el contexto de embedding. 4096 cubre fragmentos típicos (128-512 tokens) y a la vez limita la VRAM que no corresponde a pesos. Redúcelo a 1024-2048 en hosts con recursos limitados. `"auto"` usa el máximo entrenado del modelo; no se recomienda para modelos de 8B+ (Qwen3-Embedding-8B: hasta 40 960 tokens pueden llevar la VRAM a ~32 GB).

Instala primero el proveedor oficial de llama.cpp: openclaw plugins install @openclaw/llama-cpp-provider. Modelo predeterminado: embeddinggemma-300m-qat-Q8_0.gguf (~0.6 GB, descarga automática). Los checkouts de código fuente aún requieren aprobación de compilación nativa: pnpm approve-builds y luego pnpm rebuild node-llama-cpp.Usa la CLI independiente para verificar la misma ruta de proveedor que usa el Gateway:

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

Define provider: "local" explícitamente para embeddings GGUF locales. Las referencias de modelo hf: y HTTP(S) se admiten para configuraciones locales explícitas (mediante la resolución de modelos de node-llama-cpp), pero no cambian el proveedor predeterminado.

Tiempo de espera de embeddings en línea

sync.embeddingBatchTimeoutSeconds

number

Anula el tiempo de espera para lotes de embeddings en línea durante la indexación de memoria.Si no se define, usa el valor predeterminado del proveedor: 600 segundos para proveedores locales/autohospedados como local, ollama y lmstudio, y 120 segundos para proveedores hospedados. Aumenta este valor cuando los lotes de embeddings locales limitados por CPU están funcionando correctamente pero son lentos.

Comportamiento de indexación

Todo bajo memorySearch.sync, salvo que se indique lo contrario:

Clave	Tipo	Predeterminado	Descripción
`onSessionStart`	`boolean`	`true`	Sincroniza el índice de memoria cuando se inicia una sesión
`onSearch`	`boolean`	`true`	Sincroniza de forma diferida al buscar después de detectar cambios de contenido
`watch`	`boolean`	`true`	Observa archivos de memoria (chokidar) y programa la reindexación ante cambios
`watchDebounceMs`	`number`	`1500`	Ventana de debounce para agrupar eventos rápidos de observación de archivos
`intervalMinutes`	`number`	`0`	Intervalo de reindexación periódica en minutos (`0` desactiva)
`sessions.postCompactionForce`	`boolean`	`true`	Fuerza la reindexación de una sesión después de actualizaciones de transcripción activadas por Compaction

chunking.tokens

number

Tamaño de fragmento en tokens usado al dividir fuentes de memoria antes del embedding (predeterminado: 400).

chunking.overlap

number

Solapamiento de tokens entre fragmentos adyacentes para conservar el contexto cerca de los límites de división (predeterminado: 80).

Cambiar chunking.tokens o chunking.overlap modifica los límites de los fragmentos e invalida la identidad del índice existente (consulta la advertencia bajo Selección de proveedor).

Configuración de búsqueda híbrida

Todo bajo memorySearch.query:

Clave	Tipo	Predeterminado	Descripción
`maxResults`	`number`	`6`	Máximos aciertos de memoria devueltos antes de la inyección
`minScore`	`number`	`0.35`	Puntuación mínima de relevancia para incluir un acierto

Y bajo memorySearch.query.hybrid:

Clave	Tipo	Predeterminado	Descripción
`enabled`	`boolean`	`true`	Habilita la búsqueda híbrida BM25 + vectorial
`vectorWeight`	`number`	`0.7`	Peso para puntuaciones vectoriales (0-1)
`textWeight`	`number`	`0.3`	Peso para puntuaciones BM25 (0-1)
`candidateMultiplier`	`number`	`4`	Multiplicador del tamaño del conjunto de candidatos

MMR (diversidad)
Decaimiento temporal (recencia)

Clave	Tipo	Predeterminado	Descripción
`mmr.enabled`	`boolean`	`false`	Habilita el reordenamiento MMR
`mmr.lambda`	`number`	`0.7`	0 = diversidad máxima, 1 = relevancia máxima

Clave	Tipo	Predeterminado	Descripción
`temporalDecay.enabled`	`boolean`	`false`	Habilita el refuerzo por recencia
`temporalDecay.halfLifeDays`	`number`	`30`	La puntuación se reduce a la mitad cada N días

Los archivos perennes (MEMORY.md, archivos sin fecha en memory/) nunca decaen.

Ejemplo completo

{
  agents: {
    defaults: {
      memorySearch: {
        query: {
          maxResults: 6,
          minScore: 0.35,
          hybrid: {
            vectorWeight: 0.7,
            textWeight: 0.3,
            mmr: { enabled: true, lambda: 0.7 },
            temporalDecay: { enabled: true, halfLifeDays: 30 },
          },
        },
      },
    },
  },
}

Rutas de memoria adicionales

Clave	Tipo	Descripción
`extraPaths`	`string[]`	Directorios o archivos adicionales para indexar

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

Las rutas pueden ser absolutas o relativas al workspace. Los directorios se escanean recursivamente en busca de archivos .md. El manejo de enlaces simbólicos depende del backend activo: el motor incorporado omite los enlaces simbólicos, mientras que QMD sigue el comportamiento del escáner QMD subyacente. Para búsquedas de transcripciones entre agentes con alcance de agente, usa agents.list[].memorySearch.qmd.extraCollections en lugar de memory.qmd.paths. Esas colecciones adicionales siguen la misma forma { path, name, pattern? }, pero se fusionan por agente y pueden conservar nombres compartidos explícitos cuando la ruta apunta fuera del workspace actual. Si la misma ruta resuelta aparece tanto en memory.qmd.paths como en memorySearch.qmd.extraCollections, QMD conserva la primera entrada y omite el duplicado.

Memoria multimodal (Gemini)

Indexa imágenes y audio junto con Markdown usando Gemini Embedding 2:

Clave	Tipo	Predeterminado	Descripción
`multimodal.enabled`	`boolean`	`false`	Habilita la indexación multimodal
`multimodal.modalities`	`string[]`	—	`["image"]`, `["audio"]`, or `["all"]`
`multimodal.maxFileBytes`	`number`	`10485760`	Tamaño máximo de archivo para la indexación (10 MiB)

Solo se aplica a archivos en extraPaths. Las raíces de memoria predeterminadas siguen siendo solo Markdown. Requiere gemini-embedding-2-preview. fallback debe ser "none".

Formatos admitidos: .jpg, .jpeg, .png, .webp, .gif, .heic, .heif (imágenes); .mp3, .wav, .ogg, .opus, .m4a, .aac, .flac (audio).

Caché de embeddings

Clave	Tipo	Predeterminado	Descripción
`cache.enabled`	`boolean`	`true`	Almacena en caché las incrustaciones de fragmentos en SQLite
`cache.maxEntries`	`number`	sin definir	Límite superior de mejor esfuerzo para incrustaciones en caché

Evita volver a incrustar texto sin cambios durante la reindexación o las actualizaciones de transcripciones. Deja maxEntries sin definir para una caché sin límite; configúralo cuando el crecimiento del disco importe más que la velocidad máxima de reindexación. Cuando se configura, las entradas más antiguas (según la hora de última actualización) se depuran primero una vez que la caché supera el límite.

Indexación por lotes

Clave	Tipo	Predeterminado	Descripción
`remote.nonBatchConcurrency`	`number`	`4`	Incrustaciones en línea paralelas
`remote.batch.enabled`	`boolean`	`false`	Habilita la API de incrustaciones por lotes
`remote.batch.concurrency`	`number`	`2`	Trabajos por lotes paralelos
`remote.batch.wait`	`boolean`	`true`	Espera a que finalice el lote
`remote.batch.pollIntervalMs`	`number`	`2000`	Intervalo de sondeo
`remote.batch.timeoutMinutes`	`number`	`60`	Tiempo de espera del lote

Disponible para gemini, openai y voyage. El procesamiento por lotes de OpenAI suele ser el más rápido y económico para grandes rellenos retrospectivos. remote.nonBatchConcurrency controla las llamadas de incrustación en línea usadas por proveedores locales/autohospedados y proveedores alojados cuando las API por lotes del proveedor no están activas. Ollama usa 1 de forma predeterminada para la indexación sin lotes para evitar sobrecargar hosts locales más pequeños; establece un valor más alto en máquinas más grandes. Esto es independiente de sync.embeddingBatchTimeoutSeconds, que controla el tiempo de espera para las llamadas de incrustación en línea.

Búsqueda en memoria de sesión (experimental)

Indexa las transcripciones de sesión y exponlas mediante memory_search:

Clave	Tipo	Predeterminado	Descripción
`experimental.sessionMemory`	`boolean`	`false`	Habilita la indexación de sesiones
`sources`	`string[]`	`["memory"]`	Agrega `"sessions"` para incluir transcripciones
`sync.sessions.deltaBytes`	`number`	`100000`	Umbral de bytes para reindexar
`sync.sessions.deltaMessages`	`number`	`50`	Umbral de mensajes para reindexar

La indexación de sesiones es opcional y se ejecuta de forma asíncrona. Los resultados pueden estar ligeramente desactualizados. Los registros de sesión viven en el disco, así que trata el acceso al sistema de archivos como el límite de confianza.

Los resultados de transcripciones de sesión también obedecen tools.sessions.visibility. La visibilidad predeterminada tree solo expone la sesión actual y las sesiones que generó. Para recordar una sesión no relacionada del mismo agente despachada por Gateway desde una sesión diferente, como un DM, amplía intencionadamente la visibilidad a agent (o all solo cuando también se requiera recuperación entre agentes y la política de agente a agente lo permita). Los ejemplos siguientes colocan esta configuración bajo agents.defaults. También puedes aplicar una configuración memorySearch equivalente en una anulación por agente cuando solo un agente deba indexar y buscar transcripciones de sesión. Para recuperación de Gateway a DM del mismo agente:

Backend integrado
Backend QMD

{
  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" },
  },
}

Al usar QMD, agents.defaults.memorySearch.experimental.sessionMemory y sources: ["sessions"] no exportan por sí solos las transcripciones a QMD. También configura memory.qmd.sessions.enabled: true.

Aceleración vectorial de SQLite (sqlite-vec)

Clave	Tipo	Predeterminado	Descripción
`store.vector.enabled`	`boolean`	`true`	Usa sqlite-vec para consultas vectoriales
`store.vector.extensionPath`	`string`	incluido	Anula la ruta de sqlite-vec

Cuando sqlite-vec no está disponible, OpenClaw recurre automáticamente a la similitud coseno en proceso.

Almacenamiento de índices

Los índices de memoria integrados residen en la base de datos SQLite de OpenClaw de cada agente en agents/<agentId>/agent/openclaw-agent.sqlite.

Clave	Tipo	Predeterminado	Descripción
`store.fts.tokenizer`	`string`	`unicode61`	Tokenizador FTS5 (`unicode61` o `trigram`)

Configuración del backend QMD

Define memory.backend = "qmd" para habilitarlo. Todos los ajustes de QMD residen en memory.qmd:

Clave	Tipo	Predeterminado	Descripción
`command`	`string`	`qmd`	Ruta del ejecutable QMD; define una ruta absoluta cuando el `PATH` del servicio difiera de tu shell
`searchMode`	`string`	`search`	Comando de búsqueda: `search`, `vsearch`, `query`
`rerank`	`boolean`	—	Define `false` con `searchMode: "query"` y QMD 2.1+ para omitir el reranking de QMD
`includeDefaultMemory`	`boolean`	`true`	Indexa automáticamente `MEMORY.md` + `memory/*/.md`
`paths[]`	`array`	—	Rutas adicionales: `{ name, path, pattern? }`
`sessions.enabled`	`boolean`	`false`	Exporta transcripciones de sesiones a QMD
`sessions.retentionDays`	`number`	—	Retención de transcripciones
`sessions.exportDir`	`string`	—	Directorio de exportación

searchMode: "search" es solo léxico/BM25. OpenClaw no ejecuta pruebas de preparación de vectores semánticos ni mantenimiento de embeddings de QMD para ese modo, incluso durante memory status --deep; vsearch y query siguen requiriendo preparación de vectores y embeddings de QMD. rerank: false solo cambia el modo query de QMD y requiere QMD 2.1 o una versión posterior. En modo CLI directo, OpenClaw pasa --no-rerank; en modo MCP respaldado por mcporter, pasa rerank: false a la herramienta de consulta unificada de QMD. Déjalo sin definir para usar el comportamiento predeterminado de reranking de consultas de QMD. OpenClaw prefiere las formas actuales de colección y consulta MCP de QMD, pero mantiene funcionando versiones anteriores de QMD probando flags de patrones de colección compatibles y nombres de herramientas MCP antiguos cuando sea necesario. Cuando QMD anuncia compatibilidad con varios filtros de colección, las colecciones de la misma fuente se buscan con un solo proceso QMD; las compilaciones anteriores de QMD conservan la ruta de compatibilidad por colección. Misma fuente significa que las colecciones de memoria duradera (archivos de memoria predeterminados más rutas personalizadas) se agrupan juntas, mientras que las colecciones de transcripciones de sesión permanecen como un grupo separado para que la diversificación de fuentes siga teniendo ambas entradas.

Las anulaciones de modelos de QMD permanecen del lado de QMD, no en la configuración de OpenClaw. Si necesitas anular los modelos de QMD globalmente, define variables de entorno como QMD_EMBED_MODEL, QMD_RERANK_MODEL y QMD_GENERATE_MODEL en el entorno de ejecución del Gateway.

Integración con mcporter

Todo bajo memory.qmd.mcporter. Enruta las búsquedas de QMD mediante un daemon MCP mcporter de larga duración en lugar de generar qmd por consulta, lo que reduce la sobrecarga de arranque en frío para modelos más grandes.

Clave	Tipo	Predeterminado	Descripción
`enabled`	`boolean`	`false`	Enruta llamadas de QMD mediante mcporter en lugar de generar `qmd` por solicitud
`serverName`	`string`	`qmd`	Nombre del servidor mcporter que ejecuta `qmd mcp` con `lifecycle: keep-alive`
`startDaemon`	`boolean`	`true`	Inicia automáticamente el daemon mcporter cuando `enabled` es true

Requiere que mcporter esté instalado y en PATH, además de un servidor mcporter configurado que ejecute qmd mcp. Mantenlo deshabilitado para configuraciones locales más simples donde el costo de generar un proceso por consulta sea aceptable.

Update schedule

Clave	Tipo	Predeterminado	Descripción
`update.interval`	`string`	`5m`	Intervalo de actualización
`update.debounceMs`	`number`	`15000`	Aplica debounce a cambios de archivos
`update.onBoot`	`boolean`	`true`	Actualiza cuando se abre el administrador QMD de larga duración; define false para omitir la actualización inmediata al arranque
`update.startup`	`string`	`off`	Inicialización opcional de QMD al iniciar el Gateway: `off`, `idle` o `immediate`
`update.startupDelayMs`	`number`	`120000`	Retraso antes de que se ejecute la actualización `startup: "idle"`
`update.waitForBootSync`	`boolean`	`false`	Bloquea la apertura del administrador hasta que se complete su actualización inicial
`update.embedInterval`	`string`	`60m`	Cadencia de embed separada
`update.commandTimeoutMs`	`number`	`30000`	Tiempo de espera para comandos de mantenimiento de QMD (collection list/add)
`update.updateTimeoutMs`	`number`	`120000`	Tiempo de espera para cada ciclo de `qmd update`
`update.embedTimeoutMs`	`number`	`120000`	Tiempo de espera para cada ciclo de `qmd embed`

Limits

Clave	Tipo	Predeterminado	Descripción
`limits.maxResults`	`number`	`4`	Resultados de búsqueda máximos
`limits.maxSnippetChars`	`number`	`450`	Limita la longitud del fragmento
`limits.maxInjectedChars`	`number`	`2200`	Limita el total de caracteres inyectados
`limits.timeoutMs`	`number`	`4000`	Tiempo de espera de búsqueda

Scope

Controla qué sesiones pueden recibir resultados de búsqueda de QMD. El mismo esquema que session.sendPolicy:

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

El valor predeterminado incluido es solo DM/directo, y deniega grupos y otros tipos de canal. match.keyPrefix coincide con la clave de sesión normalizada; match.rawKeyPrefix coincide con la clave sin procesar, incluido agent:<id>:.

Citations

memory.citations se aplica a todos los backends:

Valor	Comportamiento
`auto` (predeterminado)	Incluir el pie de página `Source: <path#line>` en los fragmentos
`on`	Incluir siempre el pie de página
`off`	Omitir el pie de página (la ruta todavía se pasa internamente al agente)

Cuando la inicialización de QMD al iniciar el Gateway está habilitada, OpenClaw inicia QMD solo para los agentes aptos. Si update.onBoot es true y no se ha configurado ningún mantenimiento de intervalo/incrustación, el inicio usa un administrador de una sola ejecución para la actualización de arranque y lo cierra. Si se configura un intervalo de actualización o incrustación, el inicio abre el administrador de QMD de larga duración para que pueda encargarse del observador y los temporizadores de intervalo; update.onBoot: false omite solo la actualización inmediata de arranque.

Ejemplo completo de QMD

{
  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 se configura en plugins.entries.memory-core.config.dreaming, no en agents.defaults.memorySearch. Dreaming se ejecuta como un único barrido programado y usa fases internas ligeras/profundas/REM como detalle de implementación. Para ver el comportamiento conceptual y los comandos de barra diagonal, consulta Dreaming.

Configuración de usuario

Clave	Tipo	Predeterminado	Descripción
`enabled`	`boolean`	`false`	Habilita o deshabilita Dreaming por completo
`frequency`	`string`	`0 3 * * *`	Cadencia Cron opcional para el barrido completo de Dreaming
`model`	`string`	modelo predeterminado	Anulación opcional del modelo del subagente de Dream Diary
`phases.deep.maxPromotedSnippetTokens`	`number`	`160`	Tokens estimados máximos conservados de cada fragmento de recuperación a corto plazo promovido a `MEMORY.md`; los metadatos de procedencia permanecen visibles

Ejemplo

{
  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 escribe el estado de la máquina en memory/.dreams/.
Dreaming escribe la salida narrativa legible por humanos en DREAMS.md (o en el dreams.md existente).
dreaming.model usa la puerta de confianza de subagente existente del Plugin; configura plugins.entries.memory-core.subagent.allowModelOverride: true antes de habilitarlo.
Dream Diary reintenta una vez con el modelo predeterminado de la sesión cuando el modelo configurado no está disponible. Los fallos de confianza o de lista de permitidos se registran y no se reintentan silenciosamente.
La política y los umbrales de las fases ligeras/profundas/REM son comportamiento interno, no configuración orientada al usuario.

Descripción general de memoria

Motor integrado

Motor QMD

Búsqueda de memoria

Active Memory

​Selección de proveedor

​IDs de proveedores personalizados

​Resolución de claves de API

​Configuración de endpoint remoto

​Configuración específica del proveedor

​Configuración de embeddings de Bedrock

​Tiempo de espera de embeddings en línea

​Comportamiento de indexación

​Configuración de búsqueda híbrida

​Ejemplo completo

​Rutas de memoria adicionales

​Memoria multimodal (Gemini)

​Caché de embeddings

​Indexación por lotes

​Búsqueda en memoria de sesión (experimental)

​Aceleración vectorial de SQLite (sqlite-vec)

​Almacenamiento de índices

​Configuración del backend QMD

​Integración con mcporter

​Ejemplo completo de QMD

​Dreaming

​Configuración de usuario

​Ejemplo

​Relacionado

Selección de proveedor

IDs de proveedores personalizados

Resolución de claves de API

Configuración de endpoint remoto

Configuración específica del proveedor

Configuración de embeddings de Bedrock

Tiempo de espera de embeddings en línea

Comportamiento de indexación

Configuración de búsqueda híbrida

Ejemplo completo

Rutas de memoria adicionales

Memoria multimodal (Gemini)

Caché de embeddings

Indexación por lotes

Búsqueda en memoria de sesión (experimental)

Aceleración vectorial de SQLite (sqlite-vec)

Almacenamiento de índices

Configuración del backend QMD

Integración con mcporter

Ejemplo completo de QMD

Dreaming

Configuración de usuario

Ejemplo

Relacionado