--- read_when: - Vous souhaitez comprendre le backend de mémoire par défaut - Vous souhaitez configurer des fournisseurs d’embeddings ou la recherche hybride summary: Le backend de mémoire par défaut basé sur SQLite, avec recherche par mots-clés, vectorielle et hybride title: Moteur de mémoire intégré x-i18n: generated_at: "2026-07-12T02:47:15Z" model: gpt-5.6 postprocess_version: locale-links-v1 provider: openai source_hash: e8cbe2bae73b1d393ac158edb67fc442e76d1e5ff93e5201dbb7e7216801aa85 source_path: concepts/memory-builtin.md workflow: 16 --- Le moteur intégré est le backend de mémoire par défaut. Il stocke votre index de mémoire dans une base de données SQLite propre à chaque agent et ne nécessite aucune dépendance supplémentaire pour démarrer. ## Fonctionnalités - **Recherche par mots-clés** via l’indexation de texte intégral FTS5 (score BM25). - **Recherche vectorielle** via les embeddings de tout fournisseur pris en charge. - **Recherche hybride** combinant les deux approches pour obtenir les meilleurs résultats. - **Prise en charge du CJK** via la tokenisation par trigrammes pour le chinois, le japonais et le coréen. - **Accélération sqlite-vec** pour les requêtes vectorielles dans la base de données (facultative). ## Prise en main Par défaut, le moteur intégré utilise les embeddings OpenAI. Si `OPENAI_API_KEY` ou `models.providers.openai.apiKey` est déjà configuré, la recherche vectorielle fonctionne sans configuration supplémentaire de la mémoire. Pour définir explicitement un fournisseur : ```json5 { agents: { defaults: { memorySearch: { provider: "openai", }, }, }, } ``` Sans fournisseur d’embeddings, seule la recherche par mots-clés est disponible. Pour imposer l’utilisation locale d’embeddings GGUF, installez le Plugin fournisseur llama.cpp officiel, puis faites pointer `local.modelPath` vers un fichier GGUF : ```bash openclaw plugins install @openclaw/llama-cpp-provider ``` ```json5 { agents: { defaults: { memorySearch: { provider: "local", fallback: "none", local: { modelPath: "~/.node-llama-cpp/models/embeddinggemma-300m-qat-Q8_0.gguf", }, }, }, }, } ``` ## Fournisseurs d’embeddings pris en charge | Fournisseur | ID | Remarques | | ------------------ | ------------------- | ---------------------------------------------- | | Bedrock | `bedrock` | Utilise la chaîne d’identifiants AWS | | DeepInfra | `deepinfra` | Valeur par défaut : `BAAI/bge-m3` | | Gemini | `gemini` | Prend en charge le multimodal (image + audio) | | GitHub Copilot | `github-copilot` | Utilise votre abonnement Copilot | | LM Studio | `lmstudio` | Local/auto-hébergé | | Local | `local` | `@openclaw/llama-cpp-provider` | | Mistral | `mistral` | | | Ollama | `ollama` | Local/auto-hébergé | | OpenAI | `openai` | Valeur par défaut : `text-embedding-3-small` | | Compatible OpenAI | `openai-compatible` | Point de terminaison générique `/v1/embeddings` | | Voyage | `voyage` | | Définissez `memorySearch.provider` pour ne plus utiliser OpenAI. ## Fonctionnement de l’indexation OpenClaw indexe `MEMORY.md` et `memory/*.md` sous forme de fragments (400 tokens avec un chevauchement de 80 tokens par défaut) et les stocke dans une base de données SQLite propre à chaque agent. - **Emplacement de l’index :** la base de données de l’agent propriétaire à l’emplacement `~/.openclaw/agents//agent/openclaw-agent.sqlite` - **Maintenance du stockage :** la taille des fichiers annexes WAL de SQLite est limitée au moyen de points de contrôle périodiques et exécutés lors de l’arrêt. - **Surveillance des fichiers :** les modifications apportées aux fichiers de mémoire déclenchent une réindexation temporisée (1,5 s par défaut). - **Réindexation automatique :** l’index est reconstruit automatiquement lorsque le fournisseur d’embeddings, le modèle, la configuration du découpage, les sources configurées ou la portée changent. - **Réindexation à la demande :** `openclaw memory index --force` Vous pouvez également indexer des fichiers Markdown situés hors de l’espace de travail avec `memorySearch.extraPaths`. Consultez la [référence de configuration](/fr/reference/memory-config#additional-memory-paths). ## Cas d’utilisation Le moteur intégré convient à la plupart des utilisateurs : - Fonctionne immédiatement sans dépendances supplémentaires. - Gère efficacement la recherche par mots-clés et la recherche vectorielle. - Prend en charge tous les fournisseurs d’embeddings. - La recherche hybride combine les avantages des deux approches de récupération. Envisagez de passer à [QMD](/fr/concepts/memory-qmd) si vous avez besoin d’un reclassement, d’une expansion des requêtes ou si vous souhaitez indexer des répertoires situés hors de l’espace de travail. Envisagez [Honcho](/fr/concepts/memory-honcho) si vous souhaitez une mémoire intersession avec une modélisation automatique de l’utilisateur. ## Dépannage **La recherche en mémoire est désactivée ?** Vérifiez `openclaw memory status`. Si aucun fournisseur n’est détecté, définissez-en un explicitement ou ajoutez une clé d’API. **Le fournisseur local n’est pas détecté ?** Vérifiez que le chemin local existe et exécutez : ```bash openclaw memory status --deep --agent main openclaw memory index --force --agent main ``` Les commandes CLI autonomes et le Gateway utilisent le même identifiant de fournisseur `local`. Définissez `memorySearch.provider: "local"` lorsque vous souhaitez utiliser des embeddings locaux. **Résultats obsolètes ?** Exécutez `openclaw memory index --force` pour reconstruire l’index. Le mécanisme de surveillance peut manquer certaines modifications dans de rares cas limites. **sqlite-vec ne se charge pas ?** OpenClaw utilise automatiquement en remplacement la similarité cosinus calculée dans le processus. `openclaw memory status --deep` indique le magasin vectoriel local séparément du fournisseur d’embeddings : `Vector store: unavailable` signale donc un problème de chargement de sqlite-vec, tandis que `Embeddings: unavailable` signale un problème lié au fournisseur, à l’authentification ou à la disponibilité du modèle. Consultez les journaux pour connaître l’erreur de chargement précise. ## Configuration Pour la configuration du fournisseur d’embeddings, le réglage de la recherche hybride (pondérations, MMR, décroissance temporelle), l’indexation par lots, la mémoire multimodale, sqlite-vec, les chemins supplémentaires et tous les autres paramètres de configuration, consultez la [référence de configuration de la mémoire](/fr/reference/memory-config). ## Voir aussi - [Vue d’ensemble de la mémoire](/fr/concepts/memory) - [Recherche en mémoire](/fr/concepts/memory-search) - [Active Memory](/fr/concepts/active-memory)