Pencarian memori OpenClaw

Alat pencarian memori menemukan catatan yang relevan dari file memori agen meskipun susunan katanya berbeda dari teks aslinya: alat ini memecah memori menjadi potongan kecil dan mencarinya dengan embedding, kata kunci, atau keduanya. Embedding OpenAI adalah default-nya, dan selusin penyedia didukung, termasuk penyedia lokal terkelola tanpa kunci API. Berikut cara pencarian berjalan, peringkat yang dijabarkan dokumentasi, recall berbasis pemicu yang berjalan sebelum balasan, aturan fallback, memori sesi, dan daftar pemecahan masalah.

Penyedia dan dua jalur

• Kunci provider menyebut salah satu dari OpenAI, Gemini, Voyage, Mistral, Bedrock, DeepInfra, GitHub Copilot, Ollama, LM Studio, endpoint generik yang kompatibel dengan OpenAI, atau local, yang menginstal server llama.cpp terverifikasi dan model embedding kecil berukuran sekitar sepertiga gigabyte; entri penyedia kustom juga berfungsi jika menggunakan jenis API yang didukung.
• Dua jalur pengambilan berjalan secara paralel lalu digabungkan: pencarian vektor mencocokkan makna yang serupa, sehingga kueri tentang host Gateway menemukan catatan tentang mesin yang menjalankan OpenClaw, dan pencarian kata kunci BM25 mencocokkan istilah persis seperti id, string error, dan kunci konfigurasi. Jika hanya satu jalur yang tersedia, jalur itu berjalan sendiri.
• Pencarian nama file mengindeks path secara terpisah dari isi catatan, sehingga path, basename, atau stem yang persis sama berperingkat di atas kecocokan parsial, sementara cuplikan tetap berasal dari isi catatan.
• Beberapa endpoint yang kompatibel dengan OpenAI memerlukan jenis input asimetris untuk kueri dan dokumen, yang diatur oleh dua kunci konfigurasi.

Catatan lama berangsur kehilangan bobot peringkat sehingga informasi terbaru muncul lebih dulu.

Peringkat

Mesin bawaan menerapkan rumus deterministik: relevansi hibrida dikali peluruhan kebaruan dikali pengali kepentingan. Kepentingan dinilai sekali saat sebuah entri ditulis oleh alur kerja memori yang sudah melibatkan model, dan skor yang tidak ada bersifat netral. Catatan harian bertanggal meluruh dengan waktu paruh tiga puluh hari, sehingga catatan bulan lalu hanya mendapat setengah bobot aslinya, sementara file memori dan file pengguna yang dikurasi serta file tanpa tanggal tetap abadi (evergreen). Dokumentasi menyebut hasil relevansi, kebaruan, dan kepentingan ini berasal dari makalah Generative Agents, tanpa menambahkan panggilan model saat kueri. Tahap keragaman kemudian mengurutkan ulang kandidat yang sudah dinilai untuk mengurangi cuplikan yang hampir identik, dengan pengaturan tetap yang condong ke relevansi dan kumpulan kandidat yang terbatas, tanpa mengubah skor atau memanggil penyedia. Kecocokan kata kunci dipertahankan saat semua hasil berperingkat berada di bawah skor minimum yang dikonfigurasi, dan pencarian hibrida mengisi slot yang tersisa dengan hasil yang hanya cocok secara kata kunci.

Recall berbasis pemicu dan aturan fallback

• Pada giliran interaktif yang memenuhi syarat, mesin membandingkan pesan masuk dengan frasa pemicu pendek yang tersimpan pada entri terindeks dan dapat menambahkan hingga tiga entri ringkas ke konteks tersembunyi sebelum balasan; hanya entri yang dipromosikan dan tepercaya dari file memori dan file pengguna di root yang memenuhi syarat, sedangkan catatan harian, transkrip impor, dan transkrip sesi tidak pernah disisipkan secara otomatis.
• Mengatur provider ke none sengaja menonaktifkan embedding untuk pencarian khusus kata kunci; membiarkannya tidak diatur atau pada auto akan beralih ke peringkat khusus kata kunci saat penyiapan embedding atau sebuah permintaan gagal, begitu pula penyedia local, dan pengindeksan tetap mencatat teks untuk pencarian kata kunci sebelum pencarian pertama.
• Jika penyedia lain disebut secara eksplisit lalu gagal saat permintaan, alat melaporkan memori sebagai tidak tersedia alih-alih menurun kualitasnya secara diam-diam, sehingga konfigurasi yang rusak tetap terlihat; perbaikannya ada pada konfigurasi penyedia atau autentikasi, atau none untuk recall yang sengaja hanya berbasis kata kunci.

Penjelasan memori OpenClaw menjelaskan file yang dicari, dan fitur dreaming OpenClaw menjelaskan penyisiran malam hari yang menentukan apa yang dipromosikan ke dalam file tersebut, dan karena itu apa yang boleh disisipkan oleh recall berbasis pemicu.

Memori sesi dan pemecahan masalah

Recall teks lengkap yang persis dari transkrip adalah tugas alat pencarian sesi; pengindeksan transkrip ke pencarian memori bersifat opt-in melalui flag eksperimental dan daftar sumber, dengan opsi korpus untuk hanya mencari catatan, pengaturan visibilitas yang default-nya all, dan akses lintas agen yang diatur oleh pengaturan agent-to-agent. Gambar dan audio dapat diindeks bersama Markdown dengan satu model embedding Gemini, tetapi hanya di bawah path tambahan, bukan root memori default. Saat tidak ada hasil, periksa status indeks dan bangun ulang indeksnya; saat hanya kecocokan kata kunci yang muncul, penyedia embedding kemungkinan belum dikonfigurasi, yang ditunjukkan oleh status mendalam (deep status); saat embedding lokal kehabisan waktu, periksa endpoint server terkelola sebelum membangun ulang; dan teks CJK yang tidak dapat ditemukan memerlukan pembangunan ulang indeks secara paksa. Model lokal OpenClaw membahas model lokal yang mendampingi penyedia lokal, dan panduan sesi OpenClaw membahas transkrip yang diindeks melalui opsi opt-in tersebut.

Di Diali

Di Diali, pencarian memori berjalan dengan penyedia embedding apa pun yang tersedia dari kunci model Anda dan beralih ke jalur kata kunci yang dijelaskan dokumentasi jika tidak ada; bagaimanapun juga, catatan tersimpan di ruang kerja persisten milik asisten. OpenClaw yang di-hosting di Diali adalah asistennya.

• Vektor untuk makna, BM25 untuk istilah persis, lalu digabungkan.
• Relevansi dikali kebaruan dikali kepentingan; bobot catatan harian berkurang setengah setiap tiga puluh hari.
• Penyedia eksplisit yang rusak dilaporkan, tidak pernah disembunyikan.