--- read_when: - คุณต้องการทำความเข้าใจแบ็กเอนด์หน่วยความจำเริ่มต้น - คุณต้องการกำหนดค่าผู้ให้บริการการฝังเวกเตอร์หรือการค้นหาแบบผสมผสาน summary: แบ็กเอนด์หน่วยความจำเริ่มต้นที่ใช้ SQLite พร้อมการค้นหาแบบคำสำคัญ เวกเตอร์ และแบบผสม title: กลไกหน่วยความจำในตัว x-i18n: generated_at: "2026-07-12T16:05:08Z" model: gpt-5.6 postprocess_version: locale-links-v1 provider: openai source_hash: e8cbe2bae73b1d393ac158edb67fc442e76d1e5ff93e5201dbb7e7216801aa85 source_path: concepts/memory-builtin.md workflow: 16 --- เอนจินในตัวเป็นแบ็กเอนด์หน่วยความจำเริ่มต้น โดยจัดเก็บดัชนีหน่วยความจำของคุณ ไว้ในฐานข้อมูล SQLite แยกสำหรับแต่ละเอเจนต์ และไม่ต้องใช้การขึ้นต่อกันเพิ่มเติม เพื่อเริ่มต้นใช้งาน ## ความสามารถที่มีให้ - **การค้นหาด้วยคำสำคัญ** ผ่านการทำดัชนีข้อความแบบเต็ม FTS5 (การให้คะแนนแบบ BM25) - **การค้นหาแบบเวกเตอร์** ผ่าน embeddings จากผู้ให้บริการที่รองรับ - **การค้นหาแบบผสม** ที่รวมทั้งสองวิธีเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด - **การรองรับ CJK** ผ่านการแยกโทเค็นแบบไตรแกรมสำหรับภาษาจีน ญี่ปุ่น และเกาหลี - **การเร่งความเร็วด้วย sqlite-vec** สำหรับการค้นหาเวกเตอร์ภายในฐานข้อมูล (ไม่บังคับ) ## เริ่มต้นใช้งาน โดยค่าเริ่มต้น เอนจินในตัวใช้ embeddings ของ OpenAI หากกำหนดค่า `OPENAI_API_KEY` หรือ `models.providers.openai.apiKey` ไว้แล้ว การค้นหาแบบเวกเตอร์จะทำงาน โดยไม่ต้องกำหนดค่าหน่วยความจำเพิ่มเติม หากต้องการระบุผู้ให้บริการอย่างชัดเจน: ```json5 { agents: { defaults: { memorySearch: { provider: "openai", }, }, }, } ``` หากไม่มีผู้ให้บริการ embeddings จะใช้ได้เฉพาะการค้นหาด้วยคำสำคัญเท่านั้น หากต้องการบังคับใช้ embeddings แบบ GGUF ภายในเครื่อง ให้ติดตั้ง Plugin ผู้ให้บริการ llama.cpp อย่างเป็นทางการ แล้วกำหนด `local.modelPath` ให้ชี้ไปยังไฟล์ 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", }, }, }, }, } ``` ## ผู้ให้บริการ embeddings ที่รองรับ | ผู้ให้บริการ | ID | หมายเหตุ | | ----------------- | ------------------- | --------------------------------------------- | | Bedrock | `bedrock` | ใช้ลำดับการค้นหาข้อมูลประจำตัวของ AWS | | DeepInfra | `deepinfra` | ค่าเริ่มต้น: `BAAI/bge-m3` | | Gemini | `gemini` | รองรับหลายรูปแบบ (รูปภาพ + เสียง) | | GitHub Copilot | `github-copilot` | ใช้การสมัครสมาชิก Copilot ของคุณ | | LM Studio | `lmstudio` | ภายในเครื่อง/โฮสต์ด้วยตนเอง | | ภายในเครื่อง | `local` | `@openclaw/llama-cpp-provider` | | Mistral | `mistral` | | | Ollama | `ollama` | ภายในเครื่อง/โฮสต์ด้วยตนเอง | | OpenAI | `openai` | ค่าเริ่มต้น: `text-embedding-3-small` | | เข้ากันได้กับ OpenAI | `openai-compatible` | เอนด์พอยต์ `/v1/embeddings` แบบทั่วไป | | Voyage | `voyage` | | กำหนด `memorySearch.provider` เพื่อเปลี่ยนจาก OpenAI ไปใช้ผู้ให้บริการอื่น ## วิธีการทำงานของการจัดทำดัชนี OpenClaw จัดทำดัชนี `MEMORY.md` และ `memory/*.md` โดยแบ่งเป็นส่วนย่อย (ค่าเริ่มต้นคือ 400 โทเค็น โดยเหลื่อมกัน 80 โทเค็น) และจัดเก็บไว้ในฐานข้อมูล SQLite แยกสำหรับแต่ละเอเจนต์ - **ตำแหน่งดัชนี:** ฐานข้อมูลของเอเจนต์เจ้าของที่ `~/.openclaw/agents//agent/openclaw-agent.sqlite` - **การบำรุงรักษาพื้นที่จัดเก็บ:** ไฟล์ประกอบ WAL ของ SQLite ถูกจำกัดขนาดด้วยการทำ checkpoint เป็นระยะและเมื่อปิดระบบ - **การเฝ้าดูไฟล์:** การเปลี่ยนแปลงไฟล์หน่วยความจำจะกระตุ้นให้จัดทำดัชนีใหม่แบบหน่วงรวมเหตุการณ์ (ค่าเริ่มต้น 1.5 วินาที) - **การจัดทำดัชนีใหม่อัตโนมัติ:** ดัชนีจะสร้างใหม่โดยอัตโนมัติเมื่อผู้ให้บริการ embeddings, โมเดล, การกำหนดค่าการแบ่งส่วน, แหล่งข้อมูลที่กำหนดค่าไว้ หรือขอบเขตเปลี่ยนแปลง - **การจัดทำดัชนีใหม่ตามต้องการ:** `openclaw memory index --force` คุณยังสามารถจัดทำดัชนีไฟล์ Markdown ที่อยู่นอกพื้นที่ทำงานได้ด้วย `memorySearch.extraPaths` โปรดดู [เอกสารอ้างอิงการกำหนดค่า](/th/reference/memory-config#additional-memory-paths) ## ควรใช้เมื่อใด เอนจินในตัวเป็นตัวเลือกที่เหมาะสมสำหรับผู้ใช้ส่วนใหญ่: - ใช้งานได้ทันทีโดยไม่ต้องใช้การขึ้นต่อกันเพิ่มเติม - รองรับการค้นหาด้วยคำสำคัญและแบบเวกเตอร์ได้ดี - รองรับผู้ให้บริการ embeddings ทั้งหมด - การค้นหาแบบผสมรวมข้อดีของแนวทางการค้นคืนข้อมูลทั้งสองแบบ พิจารณาเปลี่ยนไปใช้ [QMD](/th/concepts/memory-qmd) หากคุณต้องการจัดอันดับผลลัพธ์ใหม่ ขยายคำค้น หรือต้องการจัดทำดัชนีไดเรกทอรีที่อยู่นอกพื้นที่ทำงาน พิจารณาใช้ [Honcho](/th/concepts/memory-honcho) หากคุณต้องการหน่วยความจำข้ามเซสชัน พร้อมการสร้างแบบจำลองผู้ใช้โดยอัตโนมัติ ## การแก้ไขปัญหา **การค้นหาหน่วยความจำถูกปิดใช้งานหรือไม่?** ตรวจสอบ `openclaw memory status` หากตรวจไม่พบ ผู้ให้บริการ ให้ระบุผู้ให้บริการอย่างชัดเจนหรือเพิ่มคีย์ API **ตรวจไม่พบผู้ให้บริการภายในเครื่องหรือไม่?** ยืนยันว่าพาธภายในเครื่องมีอยู่ แล้วเรียกใช้: ```bash openclaw memory status --deep --agent main openclaw memory index --force --agent main ``` ทั้งคำสั่ง CLI แบบสแตนด์อโลนและ Gateway ใช้ ID ผู้ให้บริการ `local` เดียวกัน กำหนด `memorySearch.provider: "local"` เมื่อต้องการใช้ embeddings ภายในเครื่อง **ผลลัพธ์ล้าสมัยหรือไม่?** เรียกใช้ `openclaw memory index --force` เพื่อสร้างใหม่ ตัวเฝ้าดูไฟล์ อาจพลาดการเปลี่ยนแปลงได้ในกรณีขอบที่พบได้น้อย **โหลด sqlite-vec ไม่ได้หรือไม่?** OpenClaw จะกลับไปใช้การคำนวณความคล้ายแบบโคไซน์ ภายในโปรเซสโดยอัตโนมัติ `openclaw memory status --deep` รายงานสถานะ พื้นที่จัดเก็บเวกเตอร์ภายในเครื่องแยกจากผู้ให้บริการ embeddings ดังนั้น `Vector store: unavailable` บ่งชี้ปัญหาการโหลด sqlite-vec ขณะที่ `Embeddings: unavailable` บ่งชี้ปัญหาความพร้อมของผู้ให้บริการ/การยืนยันตัวตนหรือโมเดล ตรวจสอบบันทึกเพื่อดูข้อผิดพลาด ในการโหลดที่เฉพาะเจาะจง ## การกำหนดค่า สำหรับการตั้งค่าผู้ให้บริการ embeddings การปรับแต่งการค้นหาแบบผสม (น้ำหนัก, MMR, การลดน้ำหนัก ตามเวลา) การจัดทำดัชนีแบบกลุ่ม หน่วยความจำหลายรูปแบบ sqlite-vec พาธเพิ่มเติม และตัวเลือก การกำหนดค่าอื่นทั้งหมด โปรดดู [เอกสารอ้างอิงการกำหนดค่าหน่วยความจำ](/th/reference/memory-config) ## เนื้อหาที่เกี่ยวข้อง - [ภาพรวมหน่วยความจำ](/th/concepts/memory) - [การค้นหาหน่วยความจำ](/th/concepts/memory-search) - [Active Memory](/th/concepts/active-memory)