Skip to main content
Mesin bawaan adalah backend memori default. Mesin ini menyimpan indeks memori Anda dalam basis data SQLite per agen dan tidak memerlukan dependensi tambahan untuk memulai.

​
Fitur yang disediakan

  • Pencarian kata kunci melalui pengindeksan teks lengkap FTS5 (penilaian BM25).
  • Pencarian vektor melalui embedding dari penyedia mana pun yang didukung.
  • Pencarian hibrida yang menggabungkan keduanya untuk hasil terbaik.
  • Dukungan CJK melalui tokenisasi trigram untuk bahasa Tionghoa, Jepang, dan Korea.
  • Akselerasi sqlite-vec untuk kueri vektor dalam basis data (opsional).

​
Memulai

Secara default, mesin bawaan menggunakan embedding OpenAI. Jika OPENAI_API_KEY atau models.providers.openai.apiKey sudah dikonfigurasi, pencarian vektor berfungsi tanpa konfigurasi memori tambahan. Untuk menetapkan penyedia secara eksplisit:
Tanpa penyedia embedding, hanya pencarian kata kunci yang tersedia. Untuk memaksakan penggunaan embedding GGUF lokal, instal Plugin penyedia llama.cpp resmi, lalu arahkan local.modelPath ke berkas GGUF:

​
Penyedia embedding yang didukung

Atur memorySearch.provider untuk beralih dari OpenAI.

​
Cara kerja pengindeksan

OpenClaw mengindeks MEMORY.md dan memory/*.md menjadi potongan-potongan (secara default 400 token dengan tumpang tindih 80 token) dan menyimpannya dalam basis data SQLite per agen.
  • Lokasi indeks: basis data agen pemilik di ~/.openclaw/agents/<agentId>/agent/openclaw-agent.sqlite
  • Pemeliharaan penyimpanan: berkas pendamping WAL SQLite dibatasi dengan checkpoint berkala dan saat penghentian.
  • Pemantauan berkas: perubahan pada berkas memori memicu pengindeksan ulang dengan penundaan debounce (default 1,5 detik).
  • Pengindeksan ulang otomatis: indeks dibuat ulang secara otomatis ketika penyedia embedding, model, konfigurasi pemotongan, sumber yang dikonfigurasi, atau cakupan berubah.
  • Pengindeksan ulang sesuai permintaan: openclaw memory index --force
Anda juga dapat mengindeks berkas Markdown di luar ruang kerja dengan memorySearch.extraPaths. Lihat referensi konfigurasi.

​
Kapan digunakan

Mesin bawaan adalah pilihan yang tepat bagi sebagian besar pengguna:
  • Langsung berfungsi tanpa dependensi tambahan.
  • Menangani pencarian kata kunci dan vektor dengan baik.
  • Mendukung semua penyedia embedding.
  • Pencarian hibrida menggabungkan keunggulan kedua pendekatan pengambilan.
Pertimbangkan untuk beralih ke QMD jika Anda memerlukan pemeringkatan ulang, perluasan kueri, atau ingin mengindeks direktori di luar ruang kerja. Pertimbangkan Honcho jika Anda menginginkan memori lintas sesi dengan pemodelan pengguna otomatis.

​
Pemecahan masalah

Pencarian memori dinonaktifkan? Periksa openclaw memory status. Jika tidak ada penyedia yang terdeteksi, tetapkan penyedia secara eksplisit atau tambahkan kunci API. Penyedia lokal tidak terdeteksi? Pastikan jalur lokal tersedia dan jalankan:
Baik perintah CLI mandiri maupun Gateway menggunakan ID penyedia local yang sama. Atur memorySearch.provider: "local" saat Anda ingin menggunakan embedding lokal. Hasil usang? Jalankan openclaw memory index --force untuk membuat ulang indeks. Pemantau mungkin melewatkan perubahan dalam kasus langka tertentu. sqlite-vec tidak dimuat? OpenClaw secara otomatis beralih ke kemiripan kosinus dalam proses. openclaw memory status --deep melaporkan penyimpanan vektor lokal secara terpisah dari penyedia embedding, sehingga Vector store: unavailable menunjukkan masalah pemuatan sqlite-vec, sedangkan Embeddings: unavailable menunjukkan masalah kesiapan penyedia/autentikasi atau model. Periksa log untuk melihat kesalahan pemuatan spesifik.

​
Konfigurasi

Untuk penyiapan penyedia embedding, penyetelan pencarian hibrida (bobot, MMR, peluruhan temporal), pengindeksan batch, memori multimodal, sqlite-vec, jalur tambahan, dan semua opsi konfigurasi lainnya, lihat Referensi konfigurasi memori.

​
Terkait