Referensi konfigurasi memori

Halaman ini mencantumkan setiap kenop konfigurasi untuk pencarian memori OpenClaw. Untuk ikhtisar konseptual, lihat:

Ikhtisar memori

Cara kerja memori.

Mesin bawaan

Backend SQLite default.

Mesin QMD

Sidecar yang mengutamakan lokal.

Pencarian memori

Pipeline pencarian dan penyetelan.

Active Memory

Sub-agen memori untuk sesi interaktif.

Semua pengaturan pencarian memori berada di bawah agents.defaults.memorySearch dalam openclaw.json, kecuali dinyatakan lain.

Jika Anda mencari toggle fitur Active Memory dan konfigurasi sub-agen, itu berada di bawah plugins.entries.active-memory, bukan memorySearch.Active Memory menggunakan model dua gerbang:

plugin harus diaktifkan dan menargetkan id agen saat ini
permintaan harus berupa sesi chat persisten interaktif yang memenuhi syarat

Lihat Active Memory untuk model aktivasi, konfigurasi milik plugin, persistensi transkrip, dan pola rollout yang aman.

Pemilihan provider

Kunci	Tipe	Default	Deskripsi
`provider`	`string`	`"openai"`	ID adaptor embedding seperti `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai`, `openai-compatible`, atau `voyage`; juga dapat berupa `models.providers.<id>` yang dikonfigurasi dengan `api` yang menunjuk ke adaptor embedding memori atau API model kompatibel OpenAI
`model`	`string`	default provider	Nama model embedding
`fallback`	`string`	`"none"`	ID adaptor fallback ketika yang utama gagal
`enabled`	`boolean`	`true`	Mengaktifkan atau menonaktifkan pencarian memori

Ketika provider tidak diatur, OpenClaw menggunakan embedding OpenAI. Atur provider secara eksplisit untuk menggunakan Gemini, Voyage, Mistral, DeepInfra, Bedrock, GitHub Copilot, Ollama, model GGUF lokal, atau endpoint /v1/embeddings yang kompatibel dengan OpenAI. Konfigurasi lama yang masih menyatakan provider: "auto" diselesaikan menjadi openai.

Mengubah provider embedding, model, pengaturan provider, sumber, cakupan, chunking, atau tokenizer dapat membuat indeks vektor SQLite yang ada tidak kompatibel. OpenClaw menjeda pencarian vektor dan melaporkan peringatan identitas indeks alih-alih secara otomatis membuat ulang embedding untuk semuanya. Bangun ulang saat Anda siap dengan openclaw memory status --index --agent <id> atau openclaw memory index --force --agent <id>.

Ketika provider tidak ditetapkan, provider: "auto" lama ada, atau provider: "none" sengaja memilih mode hanya FTS, recall memori masih dapat menggunakan peringkat FTS leksikal saat embedding tidak tersedia. Provider non-lokal eksplisit gagal secara tertutup. Jika Anda mengatur memorySearch.provider ke provider konkret yang didukung jarak jauh seperti OpenAI, Gemini, Voyage, Mistral, Bedrock, GitHub Copilot, DeepInfra, Ollama, LM Studio, atau provider kustom yang kompatibel dengan OpenAI, dan provider tersebut tidak tersedia saat runtime, memory_search mengembalikan hasil tidak tersedia alih-alih diam-diam menggunakan recall hanya FTS. Perbaiki konfigurasi provider/auth, beralih ke provider yang dapat dijangkau, atau atur provider: "none" jika Anda menginginkan recall hanya FTS secara sengaja.

ID provider kustom

memorySearch.provider dapat menunjuk ke entri models.providers.<id> kustom untuk adaptor provider khusus memori seperti ollama, atau untuk API model kompatibel OpenAI seperti openai-responses / openai-completions. OpenClaw menyelesaikan pemilik api provider tersebut untuk adaptor embedding sambil mempertahankan ID provider kustom untuk penanganan endpoint, auth, dan prefiks model. Ini memungkinkan setup multi-GPU atau multi-host mendedikasikan embedding memori ke endpoint lokal tertentu:

{
  models: {
    providers: {
      "ollama-5080": {
        api: "ollama",
        baseUrl: "http://gpu-box.local:11435",
        apiKey: "ollama-local",
        models: [{ id: "qwen3-embedding:0.6b" }],
      },
    },
  },
  agents: {
    defaults: {
      memorySearch: {
        provider: "ollama-5080",
        model: "qwen3-embedding:0.6b",
      },
    },
  },
}

Resolusi kunci API

Embedding jarak jauh memerlukan kunci API. Bedrock menggunakan rantai kredensial default AWS SDK sebagai gantinya (peran instance, SSO, kunci akses).

Provider	Env var	Kunci konfigurasi
Bedrock	Rantai kredensial AWS	Tidak perlu kunci 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`	Profil auth melalui login perangkat
Mistral	`MISTRAL_API_KEY`	`models.providers.mistral.apiKey`
Ollama	`OLLAMA_API_KEY` (placeholder)	—
OpenAI	`OPENAI_API_KEY`	`models.providers.openai.apiKey`
Voyage	`VOYAGE_API_KEY`	`models.providers.voyage.apiKey`

OAuth Codex hanya mencakup chat/completions dan tidak memenuhi permintaan embedding.

Konfigurasi endpoint jarak jauh

Gunakan provider: "openai-compatible" untuk server /v1/embeddings generik yang kompatibel dengan OpenAI dan tidak boleh mewarisi kredensial chat OpenAI global.

remote.baseUrl

string

URL dasar API kustom.

remote.apiKey

string

Menimpa kunci API.

remote.headers

object

Header HTTP tambahan (digabungkan dengan default provider).

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

Konfigurasi khusus provider

Gemini

Kunci	Tipe	Default	Deskripsi
`model`	`string`	`gemini-embedding-001`	Juga mendukung `gemini-embedding-2-preview`
`outputDimensionality`	`number`	`3072`	Untuk Embedding 2: 768, 1536, atau 3072

Mengubah model atau outputDimensionality mengubah identitas indeks. OpenClaw menjeda pencarian vektor sampai Anda secara eksplisit membangun ulang indeks memori.

Jenis input kompatibel OpenAI

Endpoint embedding yang kompatibel dengan OpenAI dapat memilih untuk menggunakan bidang permintaan input_type khusus provider. Ini berguna untuk model embedding asimetris yang memerlukan label berbeda untuk embedding kueri dan dokumen.

Kunci	Tipe	Default	Deskripsi
`inputType`	`string`	tidak disetel	`input_type` bersama untuk embedding kueri dan dokumen
`queryInputType`	`string`	tidak disetel	`input_type` saat kueri; menimpa `inputType`
`documentInputType`	`string`	tidak disetel	`input_type` indeks/dokumen; menimpa `inputType`

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

Mengubah nilai-nilai ini memengaruhi identitas cache embedding untuk pengindeksan batch provider dan sebaiknya diikuti dengan reindeks memori ketika model upstream memperlakukan label tersebut secara berbeda.

Bedrock

Konfigurasi embedding Bedrock

Bedrock menggunakan rantai kredensial default AWS SDK — tidak perlu kunci API. Jika OpenClaw berjalan di EC2 dengan peran instance yang mengaktifkan Bedrock, cukup atur provider dan model:

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

Kunci	Tipe	Default	Deskripsi
`model`	`string`	`amazon.titan-embed-text-v2:0`	ID model embedding Bedrock apa pun
`outputDimensionality`	`number`	default model	Untuk Titan V2: 256, 512, atau 1024

Model yang didukung (dengan deteksi family dan default dimensi):

ID Model	Penyedia	Dimensi Default	Dimensi yang Dapat Dikonfigurasi
`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	256-1536
`twelvelabs.marengo-embed-3-0-v1:0`	TwelveLabs	512	—
`twelvelabs.marengo-embed-2-7-v1:0`	TwelveLabs	1024	—

Varian dengan sufiks throughput (misalnya, amazon.titan-embed-text-v1:2:8k) mewarisi konfigurasi model dasar.Autentikasi: autentikasi Bedrock menggunakan urutan resolusi kredensial AWS SDK standar:

Variabel lingkungan (AWS_ACCESS_KEY_ID + AWS_SECRET_ACCESS_KEY)
Cache token SSO
Kredensial token identitas web
Kredensial bersama dan file konfigurasi
Kredensial metadata ECS atau EC2

Region diselesaikan dari AWS_REGION, AWS_DEFAULT_REGION, baseUrl penyedia amazon-bedrock, atau default ke us-east-1.Izin IAM: peran atau pengguna IAM memerlukan:

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

Untuk hak akses paling minimal, batasi cakupan InvokeModel ke model spesifik:

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

Local (GGUF + llama.cpp)

Kunci	Tipe	Default	Deskripsi
`local.modelPath`	`string`	diunduh otomatis	Jalur ke file model GGUF
`local.modelCacheDir`	`string`	default node-llama-cpp	Direktori cache untuk model yang diunduh
`local.contextSize`	`number \| "auto"`	`4096`	Ukuran jendela konteks untuk konteks embedding. 4096 mencakup chunk umum (128–512 token) sambil membatasi VRAM non-weight. Turunkan ke 1024–2048 pada host terbatas. `"auto"` menggunakan maksimum terlatih model — tidak direkomendasikan untuk model 8B+ (Qwen3-Embedding-8B: 40 960 token → ~32 GB VRAM vs ~8,8 GB pada 4096).

Instal penyedia llama.cpp resmi terlebih dahulu: openclaw plugins install @openclaw/llama-cpp-provider. Model default: embeddinggemma-300m-qat-Q8_0.gguf (~0,6 GB, diunduh otomatis). Checkout sumber tetap memerlukan persetujuan build native: pnpm approve-builds lalu pnpm rebuild node-llama-cpp.Gunakan CLI mandiri untuk memverifikasi jalur penyedia yang sama dengan yang digunakan Gateway:

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

Tetapkan provider: "local" secara eksplisit untuk embedding GGUF lokal. Referensi model hf: dan HTTP(S) didukung untuk konfigurasi lokal eksplisit, tetapi tidak mengubah penyedia default.

Timeout embedding inline

sync.embeddingBatchTimeoutSeconds

number

Timpa timeout untuk batch embedding inline selama pengindeksan memori.Jika tidak disetel, default penyedia digunakan: 600 detik untuk penyedia lokal/di-hosting sendiri seperti local, ollama, dan lmstudio, serta 120 detik untuk penyedia ter-hosting. Tingkatkan ini saat batch embedding lokal yang terikat CPU berjalan sehat tetapi lambat.

Konfigurasi pencarian hibrida

Semuanya berada di bawah memorySearch.query.hybrid:

Kunci	Tipe	Default	Deskripsi
`enabled`	`boolean`	`true`	Aktifkan pencarian hibrida BM25 + vektor
`vectorWeight`	`number`	`0.7`	Bobot untuk skor vektor (0-1)
`textWeight`	`number`	`0.3`	Bobot untuk skor BM25 (0-1)
`candidateMultiplier`	`number`	`4`	Pengali ukuran kumpulan kandidat

MMR (diversity)
Temporal decay (recency)

Kunci	Tipe	Default	Deskripsi
`mmr.enabled`	`boolean`	`false`	Aktifkan pemeringkatan ulang MMR
`mmr.lambda`	`number`	`0.7`	0 = keragaman maks, 1 = relevansi maks

Kunci	Tipe	Default	Deskripsi
`temporalDecay.enabled`	`boolean`	`false`	Aktifkan peningkatan keterkinian
`temporalDecay.halfLifeDays`	`number`	`30`	Skor berkurang setengah setiap N hari

File evergreen (MEMORY.md, file tanpa tanggal di memory/) tidak pernah mengalami decay.

Contoh lengkap

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

Jalur memori tambahan

Kunci	Tipe	Deskripsi
`extraPaths`	`string[]`	Direktori atau file tambahan untuk diindeks

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

Jalur dapat berupa absolut atau relatif terhadap workspace. Direktori dipindai secara rekursif untuk file .md. Penanganan symlink bergantung pada backend aktif: mesin bawaan mengabaikan symlink, sementara QMD mengikuti perilaku pemindai QMD yang mendasarinya. Untuk pencarian transkrip lintas agen dengan cakupan agen, gunakan agents.list[].memorySearch.qmd.extraCollections alih-alih memory.qmd.paths. Koleksi ekstra tersebut mengikuti bentuk { path, name, pattern? } yang sama, tetapi digabungkan per agen dan dapat mempertahankan nama bersama eksplisit ketika jalur mengarah ke luar workspace saat ini. Jika jalur terselesaikan yang sama muncul di memory.qmd.paths dan memorySearch.qmd.extraCollections, QMD mempertahankan entri pertama dan melewati duplikat.

Memori multimodal (Gemini)

Indeks gambar dan audio bersama Markdown menggunakan Gemini Embedding 2:

Kunci	Tipe	Default	Deskripsi
`multimodal.enabled`	`boolean`	`false`	Aktifkan pengindeksan multimodal
`multimodal.modalities`	`string[]`	—	`["image"]`, `["audio"]`, atau `["all"]`
`multimodal.maxFileBytes`	`number`	`10000000`	Ukuran file maksimum untuk pengindeksan

Hanya berlaku untuk file di extraPaths. Root memori default tetap hanya Markdown. Memerlukan gemini-embedding-2-preview. fallback harus "none".

Format yang didukung: .jpg, .jpeg, .png, .webp, .gif, .heic, .heif (gambar); .mp3, .wav, .ogg, .opus, .m4a, .aac, .flac (audio).

Cache embedding

Kunci	Tipe	Default	Deskripsi
`cache.enabled`	`boolean`	`true`	Cache embedding chunk di SQLite
`cache.maxEntries`	`number`	`50000`	Embedding cache maksimum

Mencegah embedding ulang teks yang tidak berubah selama pengindeksan ulang atau pembaruan transkrip.

Pengindeksan batch

Kunci	Tipe	Default	Deskripsi
`remote.nonBatchConcurrency`	`number`	`4`	Embedding inline paralel
`remote.batch.enabled`	`boolean`	`false`	Aktifkan API embedding batch
`remote.batch.concurrency`	`number`	`2`	Job batch paralel
`remote.batch.wait`	`boolean`	`true`	Tunggu penyelesaian batch
`remote.batch.pollIntervalMs`	`number`	—	Interval polling
`remote.batch.timeoutMinutes`	`number`	—	Timeout batch

Tersedia untuk openai, gemini, dan voyage. Batch OpenAI biasanya paling cepat dan paling murah untuk backfill besar. remote.nonBatchConcurrency mengontrol panggilan embedding inline yang digunakan oleh penyedia lokal/self-hosted dan penyedia hosted ketika API batch penyedia tidak aktif. Ollama default ke 1 untuk pengindeksan non-batch agar tidak membebani host lokal yang lebih kecil; tetapkan nilai lebih tinggi pada mesin yang lebih besar. Ini terpisah dari sync.embeddingBatchTimeoutSeconds, yang mengontrol timeout untuk panggilan embedding inline.

Pencarian memori sesi (eksperimental)

Indeks transkrip sesi dan tampilkan melalui memory_search:

Kunci	Tipe	Default	Deskripsi
`experimental.sessionMemory`	`boolean`	`false`	Aktifkan pengindeksan sesi
`sources`	`string[]`	`["memory"]`	Tambahkan `"sessions"` untuk menyertakan transkrip
`sync.sessions.deltaBytes`	`number`	`100000`	Ambang byte untuk pengindeksan ulang
`sync.sessions.deltaMessages`	`number`	`50`	Ambang pesan untuk pengindeksan ulang

Pengindeksan sesi bersifat opt-in dan berjalan secara asinkron. Hasil dapat sedikit usang. Log sesi berada di disk, jadi perlakukan akses filesystem sebagai batas kepercayaan.

Hasil transkrip sesi juga mematuhi tools.sessions.visibility. Visibilitas default tree hanya mengekspos sesi saat ini dan sesi yang dibuat olehnya. Untuk memanggil kembali sesi tidak terkait yang dikirim Gateway untuk agen yang sama dari sesi berbeda, seperti DM, perluas visibilitas secara sengaja ke agent (atau all hanya ketika pemanggilan lintas agen juga diperlukan dan kebijakan agen-ke-agen mengizinkannya). Contoh di bawah menempatkan pengaturan ini di bawah agents.defaults. Anda juga dapat menerapkan pengaturan memorySearch yang setara dalam override per agen ketika hanya satu agen yang harus mengindeks dan mencari transkrip sesi. Untuk pemanggilan kembali dari Gateway ke DM pada agen yang sama:

Builtin backend
QMD backend

{
  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" },
  },
}

Saat menggunakan QMD, agents.defaults.memorySearch.experimental.sessionMemory dan sources: ["sessions"] saja tidak mengekspor transkrip ke QMD. Tetapkan juga memory.qmd.sessions.enabled: true.

Akselerasi vektor SQLite (sqlite-vec)

Kunci	Tipe	Default	Deskripsi
`store.vector.enabled`	`boolean`	`true`	Gunakan sqlite-vec untuk kueri vektor
`store.vector.extensionPath`	`string`	dibundel	Timpa jalur sqlite-vec

Saat sqlite-vec tidak tersedia, OpenClaw secara otomatis beralih ke kemiripan kosinus dalam proses.

Penyimpanan indeks

Indeks memori bawaan berada di basis data SQLite OpenClaw milik setiap agen di agents/<agentId>/agent/openclaw-agent.sqlite.

Kunci	Tipe	Default	Deskripsi
`store.fts.tokenizer`	`string`	`unicode61`	Tokenizer FTS5 (`unicode61` atau `trigram`)

Konfigurasi backend QMD

Tetapkan memory.backend = "qmd" untuk mengaktifkannya. Semua pengaturan QMD berada di bawah memory.qmd:

Kunci	Tipe	Default	Deskripsi
`command`	`string`	`qmd`	Jalur executable QMD; tetapkan jalur absolut ketika `PATH` layanan berbeda dari shell Anda
`searchMode`	`string`	`search`	Perintah pencarian: `search`, `vsearch`, `query`
`rerank`	`boolean`	—	Tetapkan ke `false` dengan `searchMode: "query"` dan QMD 2.1+ untuk melewati reranking QMD
`includeDefaultMemory`	`boolean`	`true`	Indeks otomatis `MEMORY.md` + `memory/*/.md`
`paths[]`	`array`	—	Jalur tambahan: `{ name, path, pattern? }`
`sessions.enabled`	`boolean`	`false`	Ekspor transkrip sesi ke QMD
`sessions.retentionDays`	`number`	—	Retensi transkrip
`sessions.exportDir`	`string`	—	Direktori ekspor

searchMode: "search" hanya leksikal/BM25. OpenClaw tidak menjalankan pemeriksaan kesiapan vektor semantik atau pemeliharaan embedding QMD untuk mode tersebut, termasuk selama memory status --deep; vsearch dan query tetap memerlukan kesiapan vektor dan embedding QMD. rerank: false hanya mengubah mode query QMD dan memerlukan QMD 2.1 atau yang lebih baru. Dalam mode CLI langsung, OpenClaw meneruskan --no-rerank; dalam mode MCP yang didukung mcporter, OpenClaw meneruskan rerank: false ke alat kueri terpadu QMD. Biarkan tidak ditetapkan untuk menggunakan perilaku reranking kueri default QMD. OpenClaw memprioritaskan bentuk koleksi QMD dan kueri MCP saat ini, tetapi tetap membuat rilis QMD lama berfungsi dengan mencoba flag pola koleksi yang kompatibel dan nama alat MCP lama bila diperlukan. Ketika QMD menyatakan dukungan untuk beberapa filter koleksi, koleksi dari sumber yang sama dicari dengan satu proses QMD; build QMD lama tetap menggunakan jalur kompatibilitas per koleksi. Sumber yang sama berarti koleksi memori tahan lama dikelompokkan bersama, sementara koleksi transkrip sesi tetap menjadi grup terpisah sehingga diversifikasi sumber tetap memiliki kedua input.

Override model QMD tetap berada di sisi QMD, bukan konfigurasi OpenClaw. Jika Anda perlu menimpa model QMD secara global, tetapkan variabel lingkungan seperti QMD_EMBED_MODEL, QMD_RERANK_MODEL, dan QMD_GENERATE_MODEL di lingkungan runtime gateway.

Jadwal pembaruan

Kunci	Tipe	Default	Deskripsi
`update.interval`	`string`	`5m`	Interval penyegaran
`update.debounceMs`	`number`	`15000`	Debounce perubahan file
`update.onBoot`	`boolean`	`true`	Segarkan saat manajer QMD berumur panjang dibuka; atur false untuk melewati pembaruan boot langsung
`update.startup`	`string`	`off`	Inisialisasi QMD saat Gateway dimulai yang opsional: `off`, `idle`, atau `immediate`
`update.startupDelayMs`	`number`	`120000`	Penundaan sebelum penyegaran `startup: "idle"` berjalan
`update.waitForBootSync`	`boolean`	`false`	Blokir pembukaan manajer hingga penyegaran awalnya selesai
`update.embedInterval`	`string`	—	Irama embed terpisah
`update.commandTimeoutMs`	`number`	—	Timeout untuk perintah QMD
`update.updateTimeoutMs`	`number`	—	Timeout untuk operasi pembaruan QMD
`update.embedTimeoutMs`	`number`	—	Timeout untuk operasi embed QMD

Batas

Kunci	Tipe	Default	Deskripsi
`limits.maxResults`	`number`	`6`	Hasil pencarian maksimum
`limits.maxSnippetChars`	`number`	—	Batasi panjang cuplikan
`limits.maxInjectedChars`	`number`	—	Batasi total karakter yang diinjeksi
`limits.timeoutMs`	`number`	`4000`	Timeout pencarian

Cakupan

Mengontrol sesi mana yang dapat menerima hasil pencarian QMD. Skema yang sama seperti session.sendPolicy:

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

Default yang dikirimkan mengizinkan sesi langsung dan sesi kanal, sambil tetap menolak grup.Defaultnya hanya DM. match.keyPrefix mencocokkan kunci sesi yang dinormalisasi; match.rawKeyPrefix mencocokkan kunci mentah termasuk agent:<id>:.

Sitasi

memory.citations berlaku untuk semua backend:

Nilai	Perilaku
`auto` (default)	Sertakan footer `Source: <path#line>` dalam cuplikan
`on`	Selalu sertakan footer
`off`	Hilangkan footer (path tetap diteruskan ke agen secara internal)

Saat inisialisasi QMD ketika Gateway dimulai diaktifkan, OpenClaw memulai QMD hanya untuk agen yang memenuhi syarat. Jika update.onBoot bernilai true dan tidak ada pemeliharaan interval/embed yang dikonfigurasi, startup menggunakan manajer sekali pakai untuk penyegaran boot dan menutupnya. Jika interval pembaruan atau embed dikonfigurasi, startup membuka manajer QMD berumur panjang agar dapat memiliki watcher dan timer interval; update.onBoot: false hanya melewati penyegaran boot langsung.

Contoh QMD lengkap

{
  memory: {
    backend: "qmd",
    citations: "auto",
    qmd: {
      includeDefaultMemory: true,
      update: { interval: "5m", debounceMs: 15000 },
      limits: { maxResults: 6, timeoutMs: 4000 },
      scope: {
        default: "deny",
        rules: [{ action: "allow", match: { chatType: "direct" } }],
      },
      paths: [{ name: "docs", path: "~/notes", pattern: "**/*.md" }],
    },
  },
}

Dreaming

Dreaming dikonfigurasi di bawah plugins.entries.memory-core.config.dreaming, bukan di bawah agents.defaults.memorySearch. Dreaming berjalan sebagai satu sweep terjadwal dan menggunakan fase internal light/deep/REM sebagai detail implementasi. Untuk perilaku konseptual dan perintah slash, lihat Dreaming.

Pengaturan pengguna

Kunci	Tipe	Default	Deskripsi
`enabled`	`boolean`	`false`	Aktifkan atau nonaktifkan dreaming sepenuhnya
`frequency`	`string`	`0 3 * * *`	Irama Cron opsional untuk sweep Dreaming penuh
`model`	`string`	model default	Override model subagen Dream Diary opsional
`phases.deep.maxPromotedSnippetTokens`	`number`	`160`	Token estimasi maksimum yang disimpan dari setiap cuplikan ingatan jangka pendek yang dipromosikan ke `MEMORY.md`; metadata asal-usul tetap terlihat

Contoh

{
  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 menulis status mesin ke memory/.dreams/.
Dreaming menulis keluaran naratif yang dapat dibaca manusia ke DREAMS.md (atau dreams.md yang sudah ada).
dreaming.model menggunakan gate kepercayaan subagen Plugin yang sudah ada; atur plugins.entries.memory-core.subagent.allowModelOverride: true sebelum mengaktifkannya.
Dream Diary mencoba sekali lagi dengan model default sesi saat model yang dikonfigurasi tidak tersedia. Kegagalan kepercayaan atau allowlist dicatat di log dan tidak dicoba ulang secara diam-diam.
Kebijakan dan ambang fase light/deep/REM adalah perilaku internal, bukan konfigurasi yang dihadapkan ke pengguna.

Ikhtisar memori

Mesin bawaan

Mesin QMD

Pencarian memori

Active Memory

​Pemilihan provider

​ID provider kustom

​Resolusi kunci API

​Konfigurasi endpoint jarak jauh

​Konfigurasi khusus provider

​Konfigurasi embedding Bedrock

​Timeout embedding inline

​Konfigurasi pencarian hibrida

​Contoh lengkap

​Jalur memori tambahan

​Memori multimodal (Gemini)

​Cache embedding

​Pengindeksan batch

​Pencarian memori sesi (eksperimental)

​Akselerasi vektor SQLite (sqlite-vec)

​Penyimpanan indeks

​Konfigurasi backend QMD

​Contoh QMD lengkap

​Dreaming

​Pengaturan pengguna

​Contoh

​Terkait

Pemilihan provider

ID provider kustom

Resolusi kunci API

Konfigurasi endpoint jarak jauh

Konfigurasi khusus provider

Konfigurasi embedding Bedrock

Timeout embedding inline

Konfigurasi pencarian hibrida

Contoh lengkap

Jalur memori tambahan

Memori multimodal (Gemini)

Cache embedding

Pengindeksan batch

Pencarian memori sesi (eksperimental)

Akselerasi vektor SQLite (sqlite-vec)

Penyimpanan indeks

Konfigurasi backend QMD

Contoh QMD lengkap

Dreaming

Pengaturan pengguna

Contoh

Terkait