Recherche mémoire

memory_search trouve des notes pertinentes dans vos fichiers de mémoire, même lorsque le formulation diffère du texte original. Il fonctionne en indexant la mémoire en petits blocs et en les recherchant à l’aide d’embeddings, de mots-clés, ou des deux.

Quick start

La recherche mémoire utilise les embeddings OpenAI par défaut. Pour utiliser un autre backend d’embedding, définissez explicitement un provider :

{
  agents: {
    defaults: {
      memorySearch: {
        provider: "openai", // or "gemini", "local", "ollama", "openai-compatible", etc.
      },
    },
  },
}

Pour les configurations multi-points de terminaison avec providers spécifiques à la mémoire, provider peut également être une entrée personnalisée models.providers.<id>, telle que ollama-5080, lorsque ce provider définit api: "ollama" ou un autre propriétaire d’adaptateur d’embedding mémoire.

Pour les intégrations locales sans clé API, définissez provider: "local". Les extraits de code source peuvent toujours nécessiter une approbation de build native : pnpm approve-builds puis pnpm rebuild node-llama-cpp.

Certains points de terminaison d’embedding compatibles OpenAI nécessitent des étiquettes asymétriques telles que input_type: "query" pour les recherches et input_type: "document" ou "passage" pour les fragments indexés. Configurez-les avec memorySearch.queryInputType et memorySearch.documentInputType ; voir la référence de configuration de la mémoire.

Providers pris en charge

Provider	ID	Nécessite une clé API	Notes
Bedrock	`bedrock`	Non	Utilise la chaîne d’identification AWS
DeepInfra	`deepinfra`	Oui	Par défaut : `BAAI/bge-m3`
Gemini	`gemini`	Oui	Prend en charge l’indexation d’images/audio
GitHub Copilot	`github-copilot`	Non	Utilise l’abonnement Copilot
Local	`local`	Non	Modèle GGUF, téléchargement d’environ 0,6 Go
Mistral	`mistral`	Oui
Ollama	`ollama`	Non	Local/auto-hébergé
OpenAI	`openai`	Oui	Par défaut
Compatible OpenAI	`openai-compatible`	Habituellement	`/v1/embeddings` générique
Voyage	`voyage`	Oui

Fonctionnement de la recherche

OpenClaw exécute deux chemins de récupération en parallèle et fusionne les résultats :

flowchart LR
    Q["Query"] --> E["Embedding"]
    Q --> T["Tokenize"]
    E --> VS["Vector Search"]
    T --> BM["BM25 Search"]
    VS --> M["Weighted Merge"]
    BM --> M
    M --> R["Top Results"]

La recherche vectorielle trouve des notes ayant un sens similaire (“hôte de passerelle” correspond à “la machine exécutant OpenClaw”).
La recherche par mots-clés BM25 trouve des correspondances exactes (ID, chaînes d’erreur, clés de configuration).

Si un seul chemin est disponible (pas d’embeddings ou pas de FTS), l’autre fonctionne seul.

Lorsque les embeddings ne sont pas disponibles, OpenClaw utilise toujours le classement lexical sur les résultats FTS au lieu de revenir à un classement par correspondance exacte brute uniquement. Ce mode dégradé favorise les blocs avec une couverture plus forte des termes de la requête et des chemins de fichiers pertinents, ce qui maintient le rappel utile même sans sqlite-vec ou un fournisseur d’embeddings.

Amélioration de la qualité de la recherche

Deux fonctionnalités optionnelles aident lorsque vous avez un historique de notes important :

Décroissance temporelle

Les anciennes notes perdent progressivement du poids dans le classement afin que les informations récentes apparaissent en premier. Avec la demi-vie par défaut de 30 jours, une note du mois dernier obtient un score de 50 % de son poids original. Les fichiers pérennes comme MEMORY.md ne sont jamais soumis à la décroissance.

MMR (diversité)

Réduit les résultats redondants. Si cinq notes mentionnent toutes la même configuration de routeur, le MMR assure que les principaux résultats couvrent différents sujets au lieu de se répéter.

Activer les deux

{
  agents: {
    defaults: {
      memorySearch: {
        query: {
          hybrid: {
            mmr: { enabled: true },
            temporalDecay: { enabled: true },
          },
        },
      },
    },
  },
}

Mémoire multimodale

Avec Gemini Embedding 2, vous pouvez indexer des images et des fichiers audio avec le Markdown. Les requêtes de recherche restent textuelles, mais elles correspondent au contenu visuel et audio. Voir la référence de configuration de la mémoire pour la configuration.

Recherche dans la mémoire de session

Vous pouvez éventuellement indexer les transcriptions de session afin que memory_search puisse se souvenir de conversations antérieures. C’est une option accessible via memorySearch.experimental.sessionMemory. Voir la référence de configuration pour plus de détails.

Dépannage

Aucun résultat ? Exécutez openclaw memory status pour vérifier l’index. S’il est vide, exécutez openclaw memory index --force.

Seulement des correspondances par mot-clé ? Votre fournisseur d’embeddings n’est peut-être pas configuré. Vérifiez openclaw memory status --deep.

Les embeddings locaux expir-ils ? ollama, lmstudio et local utilisent un délai d’expiration plus long pour les lots en ligne par défaut. Si l’hôte est simplement lent, définissez agents.defaults.memorySearch.sync.embeddingBatchTimeoutSeconds et réexécutez openclaw memory index --force.

Texte CJK introuvable ? Reconstruisez l’index FTS avec openclaw memory index --force.

Pour aller plus loin

Active Memory — mémoire de sous-agent pour les sessions de chat interactives
Memory — disposition des fichiers, backends, outils
Référence de configuration de la mémoire — tous les paramètres de configuration