> ## Documentation Index
> Fetch the complete documentation index at: https://docs2.openclaw.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Встроенный движок памяти

Встроенный движок — это бэкенд памяти по умолчанию. Он хранит индекс памяти в
SQLite-базе данных отдельного агента и не требует дополнительных зависимостей для начала работы.

## Что он предоставляет

* **Поиск по ключевым словам** через полнотекстовое индексирование FTS5 (оценка BM25).
* **Векторный поиск** через эмбеддинги от любого поддерживаемого поставщика.
* **Гибридный поиск**, который сочетает оба подхода для лучших результатов.
* **Поддержка CJK** через триграммную токенизацию для китайского, японского и корейского языков.
* **Ускорение sqlite-vec** для векторных запросов внутри базы данных (необязательно).

## Начало работы

По умолчанию встроенный движок использует эмбеддинги OpenAI. Если у вас уже
настроен `OPENAI_API_KEY` или `models.providers.openai.apiKey`, векторный поиск
работает без дополнительной конфигурации памяти.

Чтобы явно задать поставщика:

```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}}
{
  agents: {
    defaults: {
      memorySearch: {
        provider: "openai",
      },
    },
  },
}
```

Без поставщика эмбеддингов доступен только поиск по ключевым словам.

Чтобы принудительно использовать локальные эмбеддинги GGUF, установите официальный Plugin поставщика llama.cpp,
затем укажите в `local.modelPath` путь к файлу GGUF:

```bash theme={"theme":{"light":"min-light","dark":"min-dark"}}
openclaw plugins install @openclaw/llama-cpp-provider
```

```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}}
{
  agents: {
    defaults: {
      memorySearch: {
        provider: "local",
        fallback: "none",
        local: {
          modelPath: "~/.node-llama-cpp/models/embeddinggemma-300m-qat-Q8_0.gguf",
        },
      },
    },
  },
}
```

## Поддерживаемые поставщики эмбеддингов

| Поставщик            | ID                  | Примечания                                           |
| -------------------- | ------------------- | ---------------------------------------------------- |
| Bedrock              | `bedrock`           | Использует цепочку учетных данных AWS                |
| DeepInfra            | `deepinfra`         | По умолчанию: `BAAI/bge-m3`                          |
| Gemini               | `gemini`            | Поддерживает мультимодальность (изображение + аудио) |
| GitHub Copilot       | `github-copilot`    | Использует подписку Copilot                          |
| Локальный            | `local`             | `@openclaw/llama-cpp-provider`                       |
| Mistral              | `mistral`           |                                                      |
| Ollama               | `ollama`            | Локальный/самостоятельно размещенный                 |
| OpenAI               | `openai`            | По умолчанию: `text-embedding-3-small`               |
| Совместимый с OpenAI | `openai-compatible` | Универсальная конечная точка `/v1/embeddings`        |
| Voyage               | `voyage`            |                                                      |

Задайте `memorySearch.provider`, чтобы переключиться с OpenAI.

## Как работает индексирование

OpenClaw индексирует `MEMORY.md` и `memory/*.md` в фрагменты (\~400 токенов с
перекрытием 80 токенов) и сохраняет их в SQLite-базе данных отдельного агента.

* **Расположение индекса:** база данных агента-владельца по адресу
  `~/.openclaw/agents/<agentId>/agent/openclaw-agent.sqlite`
* **Обслуживание хранилища:** служебные файлы SQLite WAL ограничиваются периодическими
  контрольными точками и контрольными точками при завершении работы.
* **Отслеживание файлов:** изменения файлов памяти запускают переиндексацию с задержкой подавления дребезга (1,5 с).
* **Автоматическая переиндексация:** когда меняется поставщик эмбеддингов, модель или конфигурация
  разбиения на фрагменты, весь индекс автоматически перестраивается.
* **Переиндексация по запросу:** `openclaw memory index --force`

<Info>
  Вы также можете индексировать Markdown-файлы вне рабочей области с помощью
  `memorySearch.extraPaths`. См.
  [справочник по конфигурации](/ru/reference/memory-config#additional-memory-paths).
</Info>

## Когда использовать

Встроенный движок подходит большинству пользователей:

* Работает сразу, без дополнительных зависимостей.
* Хорошо справляется с поиском по ключевым словам и векторным поиском.
* Поддерживает всех поставщиков эмбеддингов.
* Гибридный поиск сочетает лучшее из обоих подходов к извлечению.

Рассмотрите переход на [QMD](/ru/concepts/memory-qmd), если вам нужны переранжирование, расширение запросов
или индексирование каталогов вне рабочей области.

Рассмотрите [Honcho](/ru/concepts/memory-honcho), если вам нужна память между сеансами с
автоматическим моделированием пользователя.

## Устранение неполадок

**Поиск по памяти отключен?** Проверьте `openclaw memory status`. Если поставщик не
обнаружен, задайте его явно или добавьте ключ API.

**Локальный поставщик не обнаружен?** Убедитесь, что локальный путь существует, и выполните:

```bash theme={"theme":{"light":"min-light","dark":"min-dark"}}
openclaw memory status --deep --agent main
openclaw memory index --force --agent main
```

И автономные команды CLI, и Gateway используют один и тот же идентификатор поставщика `local`.
Задайте `memorySearch.provider: "local"`, если хотите использовать локальные эмбеддинги.

**Устаревшие результаты?** Выполните `openclaw memory index --force`, чтобы перестроить индекс. Средство отслеживания
может пропускать изменения в редких пограничных случаях.

**sqlite-vec не загружается?** OpenClaw автоматически переключается на косинусное сходство
в процессе. `openclaw memory status --deep` сообщает о локальном векторном хранилище
отдельно от поставщика эмбеддингов, поэтому `Vector store: unavailable` указывает
на загрузку sqlite-vec, а `Embeddings: unavailable` указывает на готовность поставщика/авторизации
или модели. Проверьте журналы на наличие конкретной ошибки загрузки.

## Конфигурация

Сведения о настройке поставщика эмбеддингов, параметрах гибридного поиска (веса, MMR, временное
затухание), пакетном индексировании, мультимодальной памяти, sqlite-vec, дополнительных путях и всех
остальных параметрах конфигурации см. в
[справочнике по конфигурации памяти](/ru/reference/memory-config).

## Связанные материалы

* [Обзор памяти](/ru/concepts/memory)
* [Поиск по памяти](/ru/concepts/memory-search)
* [Active Memory](/ru/concepts/active-memory)