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.
},
},
},
}
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
| Penyedia | ID | Perlu kunci API | Catatan |
|---|
| Bedrock | bedrock | Tidak | Menggunakan rantai kredensial AWS |
| DeepInfra | deepinfra | Ya | Default: BAAI/bge-m3 |
| Gemini | gemini | Ya | Mendukung pengindeksan gambar/audio |
| GitHub Copilot | github-copilot | Tidak | Menggunakan langganan Copilot |
| Lokal | local | Tidak | Model GGUF, unduhan ~0,6 GB |
| Mistral | mistral | Ya | |
| Ollama | ollama | Tidak | Lokal/dihosting sendiri |
| OpenAI | openai | Ya | Default |
| Kompatibel OpenAI | openai-compatible | Biasanya | /v1/embeddings generik |
| Voyage | voyage | Ya | |
Cara kerja pencarian
OpenClaw menjalankan dua jalur pengambilan secara paralel dan menggabungkan hasilnya:
- 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.
Aktifkan peluruhan temporal jika agen Anda memiliki catatan harian selama
berbulan-bulan dan informasi usang terus mengungguli konteks terbaru.
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 MMR jika memory_search terus mengembalikan cuplikan yang hampir
duplikat dari catatan harian yang berbeda.
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
Terkait
