Integrierte Memory-Engine

Die integrierte Engine ist das standardmäßige Memory-Backend. Sie speichert Ihren Memory-Index in einer SQLite-Datenbank pro Agent und benötigt für den Einstieg keine zusätzlichen Abhängigkeiten.

Funktionsumfang

• Schlüsselwortsuche über FTS5-Volltextindizierung (BM25-Bewertung).
• Vektorsuche über Embeddings eines beliebigen unterstützten Providers.
• Hybridsuche, die beide Ansätze kombiniert, um optimale Ergebnisse zu erzielen.
• CJK-Unterstützung über Trigramm-Tokenisierung für Chinesisch, Japanisch und Koreanisch.
• sqlite-vec-Beschleunigung für Vektorabfragen innerhalb der Datenbank (optional).

Erste Schritte

Standardmäßig verwendet die integrierte Engine OpenAI-Embeddings. Wenn OPENAI_API_KEY oder models.providers.openai.apiKey bereits konfiguriert ist, funktioniert die Vektorsuche ohne zusätzliche Memory-Konfiguration.

So legen Sie explizit einen Provider fest:

{  agents: {    defaults: {      memorySearch: {        provider: "openai",      },    },  },}

Ohne einen Embedding-Provider ist nur die Schlüsselwortsuche verfügbar.

Um lokale GGUF-Embeddings zu erzwingen, installieren Sie das offizielle llama.cpp-Provider- Plugin und verweisen Sie anschließend mit local.modelPath auf eine GGUF-Datei:

openclaw plugins install @openclaw/llama-cpp-provider

{  agents: {    defaults: {      memorySearch: {        provider: "local",        fallback: "none",        local: {          modelPath: "~/.node-llama-cpp/models/embeddinggemma-300m-qat-Q8_0.gguf",        },      },    },  },}

Unterstützte Embedding-Provider

Legen Sie memorySearch.provider fest, um von OpenAI zu einem anderen Provider zu wechseln.

Funktionsweise der Indizierung

OpenClaw indiziert MEMORY.md und memory/*.md in Abschnitten (standardmäßig 400 Token mit einer Überlappung von 80 Token) und speichert sie in einer SQLite-Datenbank pro Agent.

• Indexspeicherort: die Datenbank des zuständigen Agenten unter ~/.openclaw/agents/<agentId>/agent/openclaw-agent.sqlite
• Speicherverwaltung: SQLite-WAL-Begleitdateien werden durch regelmäßige Checkpoints und Checkpoints beim Herunterfahren begrenzt.
• Dateiüberwachung: Änderungen an Memory-Dateien lösen eine verzögerte Neuindizierung aus (standardmäßig 1,5 Sekunden).
• Automatische Neuindizierung: Der Index wird automatisch neu aufgebaut, wenn sich Embedding-Provider, Modell, Abschnittskonfiguration, konfigurierte Quellen oder Geltungsbereich ändern.
• Neuindizierung bei Bedarf: openclaw memory index --force

Verwendungsszenarien

Die integrierte Engine ist für die meisten Benutzer die richtige Wahl:

• Funktioniert sofort und ohne zusätzliche Abhängigkeiten.
• Bietet eine leistungsfähige Schlüsselwort- und Vektorsuche.
• Unterstützt alle Embedding-Provider.
• Die Hybridsuche vereint die Vorteile beider Suchansätze.

Erwägen Sie einen Wechsel zu QMD, wenn Sie eine Neusortierung, eine Abfrageerweiterung oder die Indizierung von Verzeichnissen außerhalb des Arbeitsbereichs benötigen.

Erwägen Sie Honcho, wenn Sie sitzungsübergreifendes Memory mit automatischer Benutzermodellierung wünschen.

Fehlerbehebung

Memory-Suche deaktiviert? Überprüfen Sie openclaw memory status. Wenn kein Provider erkannt wird, legen Sie explizit einen fest oder fügen Sie einen API-Schlüssel hinzu.

Lokaler Provider nicht erkannt? Vergewissern Sie sich, dass der lokale Pfad vorhanden ist, und führen Sie Folgendes aus:

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

Sowohl eigenständige CLI-Befehle als auch das Gateway verwenden dieselbe local-Provider-ID. Legen Sie memorySearch.provider: "local" fest, wenn Sie lokale Embeddings verwenden möchten.

Veraltete Ergebnisse? Führen Sie openclaw memory index --force aus, um den Index neu aufzubauen. Die Überwachung kann in seltenen Grenzfällen Änderungen übersehen.

sqlite-vec wird nicht geladen? OpenClaw greift automatisch auf die prozessinterne Kosinus- Ähnlichkeit zurück. openclaw memory status --deep meldet den lokalen Vektorspeicher getrennt vom Embedding-Provider. Daher verweist Vector store: unavailable auf das Laden von sqlite-vec, während Embeddings: unavailable auf die Bereitschaft des Providers, der Authentifizierung oder des Modells verweist. Prüfen Sie die Protokolle auf den konkreten Ladefehler.

Konfiguration

Informationen zur Einrichtung von Embedding-Providern, zur Optimierung der Hybridsuche (Gewichtungen, MMR, zeitlicher Abfall), zur Batch-Indizierung, zu multimodalem Memory, sqlite-vec, zusätzlichen Pfaden und allen anderen Konfigurationsoptionen finden Sie in der Memory-Konfigurationsreferenz.

Verwandte Themen

• Memory-Übersicht
• Memory-Suche
• Active Memory