> ## Documentation Index > Fetch the complete documentation index at: https://openclaw.veiseule.ai/llms.txt > Use this file to discover all available pages before exploring further. # Bellek # Bellek OpenClaw belleği **ajan çalışma alanındaki düz Markdown dosyalarından** oluşur. Dosyalar tek gerçek kaynaktır; model yalnızca diske yazılanları “hatırlar”. Bellek arama araçları, etkin bellek eklentisi tarafından sağlanır (varsayılan: `memory-core`). Bellek eklentilerini `plugins.slots.memory = "none"` ile devre dışı bırakın. ## Bellek dosyaları (Markdown) Varsayılan çalışma alanı düzeni iki bellek katmanı kullanır: * `memory/YYYY-MM-DD.md` * Günlük kayıt (yalnızca ekleme). * Oturum başlangıcında bugün + dün okunur. * `MEMORY.md` (isteğe bağlı) * Küratörlü uzun vadeli bellek. * **Yalnızca ana, özel oturumda yüklenir** (grup bağlamlarında asla). Bu dosyalar çalışma alanı altında bulunur (`agents.defaults.workspace`, varsayılan `~/.openclaw/workspace`). Tam düzen için [Agent workspace](/concepts/agent-workspace) bölümüne bakın. ## When to write memory * Kararlar, tercihler ve kalıcı gerçekler `MEMORY.md` dosyasına gider. * Günlük notlar ve akan bağlam `memory/YYYY-MM-DD.md` dosyasına gider. * Birisi “bunu hatırla” derse, yazın (RAM’de tutmayın). * Bu alan hâlâ gelişiyor. Modele anıları kaydetmesini hatırlatmak yardımcı olur; ne yapacağını bilir. * Bir şeyin kalıcı olmasını istiyorsanız, **botun belleğe yazmasını isteyin**. ## Otomatik bellek boşaltma (ön-sıkıştırma ping’i) Bir oturum **otomatik sıkıştırmaya yaklaştığında**, OpenClaw bağlam sıkıştırılmadan **önce** kalıcı belleğin yazılmasını hatırlatan **sessiz, ajanik bir tur** tetikler. Varsayılan istemler modelin *yanıt verebileceğini* açıkça söyler; ancak genellikle kullanıcı bu turu hiç görmesin diye doğru yanıt `NO_REPLY` olur. Bu davranış `agents.defaults.compaction.memoryFlush` ile denetlenir: ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} { agents: { defaults: { compaction: { reserveTokensFloor: 20000, memoryFlush: { enabled: true, softThresholdTokens: 4000, systemPrompt: "Session nearing compaction. Store durable memories now.", prompt: "Write any lasting notes to memory/YYYY-MM-DD.md; reply with NO_REPLY if nothing to store.", }, }, }, }, } ``` Ayrıntılar: * **Yumuşak eşik**: oturum belirteç tahmini `contextWindow - reserveTokensFloor - softThresholdTokens` değerini geçtiğinde boşaltma tetiklenir. * **Varsayılan olarak sessiz**: istemler, hiçbir şeyin iletilmemesi için `NO_REPLY` içerir. * **İki istem**: bir kullanıcı istemi ve bir sistem istemi hatırlatmayı ekler. * **Sıkıştırma döngüsü başına tek boşaltma** (`sessions.json` içinde izlenir). * **Çalışma alanı yazılabilir olmalıdır**: oturum `workspaceAccess: "ro"` veya `"none"` ile sandbox içinde çalışıyorsa boşaltma atlanır. Tam sıkıştırma yaşam döngüsü için bkz. [Session management + compaction](/reference/session-management-compaction). ## Vektör bellek araması OpenClaw, `MEMORY.md` ve `memory/*.md` üzerinde küçük bir vektör dizini oluşturabilir; böylece anlamsal sorgular, ifade farklı olsa bile ilgili notları bulabilir. Varsayılanlar: * Varsayılan olarak etkindir. * Bellek dosyalarındaki değişiklikleri izler (debounce’lu). * Bellek aramasını `agents.defaults.memorySearch` altında yapılandırın (üst seviye `memorySearch` değil). * Varsayılan olarak uzak embedding’ler kullanır. `memorySearch.provider` ayarlı değilse OpenClaw otomatik olarak seçer: 1. `local` (bir `memorySearch.local.modelPath` yapılandırılmışsa ve dosya varsa). 2. Bir OpenAI anahtarı çözümlenebiliyorsa `openai`. 3. Bir Gemini anahtarı çözümlenebiliyorsa `gemini`. 4. Bir Voyage anahtarı çözümlenebiliyorsa `voyage`. 5. Aksi hâlde yapılandırılana kadar bellek araması devre dışı kalır. * Yerel mod node-llama-cpp kullanır ve `pnpm approve-builds` gerektirebilir. * SQLite içinde vektör aramasını hızlandırmak için (mevcutsa) sqlite-vec kullanır. Uzak embedding’ler, embedding sağlayıcısı için bir API anahtarı **gerektirir**. OpenClaw anahtarları kimlik doğrulama profillerinden, `models.providers.*.apiKey`’den veya ortam değişkenlerinden çözümler. Codex OAuth yalnızca sohbet/completion’ları kapsar ve bellek araması için embedding’leri **karşılamaz**. Gemini için `GEMINI_API_KEY` veya `models.providers.google.apiKey` kullanın. Voyage için `VOYAGE_API_KEY` veya `models.providers.voyage.apiKey` kullanın. Özel bir OpenAI-uyumlu uç nokta kullanırken `memorySearch.remote.apiKey`’yi (isteğe bağlı `memorySearch.remote.headers` ile) ayarlayın. ### QMD arka ucu (deneysel) Yerleşik SQLite dizinleyiciyi [QMD](https://github.com/tobi/qmd) ile değiştirmek için `memory.backend = "qmd"`’ü ayarlayın: BM25 + vektörler + yeniden sıralamayı birleştiren, yerel-öncelikli bir arama yan hizmeti. Markdown tek gerçek kaynak olmaya devam eder; OpenClaw getirim için QMD’yi çağırır. Öne çıkan noktalar: **Ön koşullar** * Varsayılan olarak kapalıdır. Yapılandırma bazında etkinleştirin (`memory.backend = "qmd"`). * QMD CLI’yi ayrı olarak kurun (`bun install -g https://github.com/tobi/qmd` veya bir sürüm indirin) ve `qmd` ikilisinin gateway’in `PATH`’inde olduğundan emin olun. * QMD, uzantılara izin veren bir SQLite derlemesine ihtiyaç duyar (macOS’ta `brew install sqlite`). * QMD, Bun + `node-llama-cpp` üzerinden tamamen yerel çalışır ve ilk kullanımda HuggingFace’ten GGUF modellerini otomatik indirir (ayrı bir Ollama daemon’u gerekmez). * Gateway, `XDG_CONFIG_HOME` ve `XDG_CACHE_HOME` ayarlayarak QMD’yi `~/.openclaw/agents//qmd/` altında kendi kendine yeten bir XDG evinde çalıştırır. * OS desteği: macOS ve Linux, Bun + SQLite kurulduktan sonra kutudan çıktığı gibi çalışır. Windows için WSL2 önerilir. **How the sidecar runs** * Gateway, `~/.openclaw/agents//qmd/` altında kendi kendine yeten bir QMD evi yazar (yapılandırma + önbellek + sqlite DB). * Koleksiyonlar, `memory.qmd.paths`’dan (`qmd collection add` ile) oluşturulur (varsayılan çalışma alanı bellek dosyaları dâhil); ardından `qmd update` + `qmd embed` açılışta ve yapılandırılabilir bir aralıkta (`memory.qmd.update.interval`, varsayılan 5 dk) çalışır. * Gateway artık QMD yöneticisini başlangıçta başlatır, böylece ilk `memory_search` çağrısından önce bile periyodik güncelleme zamanlayıcıları etkinleştirilmiş olur. * Açılış yenilemesi artık varsayılan olarak arka planda çalışır; sohbet başlatma engellenmez. Önceki engelleyici davranışı korumak için `memory.qmd.update.waitForBootSync = true`’ı ayarlayın. * Aramalar `qmd query --json` üzerinden çalışır. Seçilen mod QMD derlemenizde bayrakları reddederse, OpenClaw `qmd query` ile yeniden dener. QMD başarısız olursa veya ikili yoksa, OpenClaw otomatik olarak yerleşik SQLite yöneticisine geri döner; böylece bellek araçları çalışmaya devam eder. * OpenClaw bugün QMD embed batch-size ayarını sunmaz; batch davranışı QMD’nin kendisi tarafından denetlenir. * **İlk arama yavaş olabilir**: QMD, ilk `qmd query` çalıştırmada yerel GGUF modellerini (yeniden sıralayıcı/sorgu genişletme) indirebilir. * OpenClaw, QMD’yi çalıştırırken `XDG_CONFIG_HOME`/`XDG_CACHE_HOME`’ü otomatik ayarlar. * Modelleri manuel olarak önceden indirmek (ve OpenClaw’ın kullandığı aynı dizini ısıtmak) isterseniz, ajan XDG dizinleriyle tek seferlik bir sorgu çalıştırın. OpenClaw’ın QMD durumu **durum dizininiz** altında bulunur (varsayılan `~/.openclaw`). OpenClaw’ın kullandığı XDG değişkenlerinin aynısını dışa aktararak `qmd`’yı tam olarak aynı dizine yönlendirebilirsiniz: ```bash theme={"theme":{"light":"min-light","dark":"min-dark"}} # Pick the same state dir OpenClaw uses STATE_DIR="${OPENCLAW_STATE_DIR:-$HOME/.openclaw}" if [ -d "$HOME/.moltbot" ] && [ ! -d "$HOME/.openclaw" ] \ && [ -z "${OPENCLAW_STATE_DIR:-}" ]; then STATE_DIR="$HOME/.moltbot" fi export XDG_CONFIG_HOME="$STATE_DIR/agents/main/qmd/xdg-config" export XDG_CACHE_HOME="$STATE_DIR/agents/main/qmd/xdg-cache" # (Optional) force an index refresh + embeddings qmd update qmd embed # Warm up / trigger first-time model downloads qmd query "test" -c memory-root --json >/dev/null 2>&1 ``` **Yapılandırma yüzeyi (`memory.qmd.*`)** * `command` (varsayılan `qmd`): çalıştırılabilir dosya yolunu geçersiz kılar. * `searchMode` (varsayılan `search`): `memory_search` için hangi QMD komutunun kullanılacağını seçin (`search`, `vsearch`, `query`). * `includeDefaultMemory` (varsayılan `true`): `MEMORY.md` + `memory/**/*.md`’ü otomatik indeksler. * `paths[]`: ek dizin/dosyalar ekler (`path`, isteğe bağlı `pattern`, isteğe bağlı kararlı `name`). * `sessions`: oturum JSONL indekslemesine katılım (`enabled`, `retentionDays`, `exportDir`). * `update`: yenileme sıklığını ve bakım yürütümünü denetler: (`interval`, `debounceMs`, `onBoot`, `waitForBootSync`, `embedInterval`, `commandTimeoutMs`, `updateTimeoutMs`, `embedTimeoutMs`). * `limits`: geri çağırma yükünü sınırlar (`maxResults`, `maxSnippetChars`, `maxInjectedChars`, `timeoutMs`). * `scope`: [`session.sendPolicy`](/gateway/configuration#session) ile aynı şema. Varsayılan DM-only’dir (`deny` tümü, `allow` doğrudan sohbetler); grup/kanallarda QMD sonuçlarını göstermek için gevşetin. * `match.keyPrefix`, **normalize edilmiş** oturum anahtarıyla eşleşir (küçük harfe dönüştürülmüş ve baştaki `agent::` kaldırılmış). Örnek: `discord:channel:`. * `match.rawKeyPrefix`, `agent::` dahil olmak üzere **ham** oturum anahtarıyla (küçük harfe dönüştürülmüş) eşleşir. Örnek: `agent:main:discord:`. * Eski kullanım: `match.keyPrefix: "agent:..."` hâlâ ham anahtar öneki olarak değerlendirilir, ancak açıklık için `rawKeyPrefix` tercih edilmelidir. * `scope` bir aramayı reddettiğinde, OpenClaw türetilmiş `channel`/`chatType` ile bir uyarı kaydeder; böylece boş sonuçların hata ayıklaması kolaylaşır. * Çalışma alanı dışından kaynaklanan parçalar, `memory_search` sonuçlarında `qmd//` olarak görünür; `memory_get` bu öneki anlar ve yapılandırılmış QMD koleksiyon kökünden okur. * `memory.qmd.sessions.enabled = true` olduğunda OpenClaw, temizlenmiş oturum dökümlerini (Kullanıcı/Yardımcı turları) `~/.openclaw/agents//qmd/sessions/` altında özel bir QMD koleksiyonuna dışa aktarır; böylece `memory_search`, yerleşik SQLite dizinine dokunmadan yakın konuşmaları geri çağırabilir. * `memory_search` parçaları, `memory.citations` `auto`/`on` olduğunda artık bir `Source: ` altbilgisi içerir; yol meta verisini dahili tutmak için `memory.citations = "off"`’i ayarlayın (ajan yine `memory_get` için yolu alır, ancak parça metni altbilgiyi içermez ve sistem istemi ajana bunu alıntılamamasını söyler). **Örnek** ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} memory: { backend: "qmd", citations: "auto", qmd: { includeDefaultMemory: true, update: { interval: "5m", debounceMs: 15000 }, limits: { maxResults: 6, timeoutMs: 4000 }, scope: { default: "deny", rules: [{ action: "allow", match: { chatType: "direct" } }] }, paths: [ { name: "docs", path: "~/notes", pattern: "**/*.md" } ] } } ``` **Atıflar ve geri dönüş** * `memory.citations`, arka uçtan bağımsız olarak geçerlidir (`auto`/`on`/`off`). * `qmd` çalıştığında, tanılamalarda hangi motorun sonuçları sunduğunu göstermek için `status().backend = "qmd"` etiketleriz. QMD alt süreci çıkarsa veya JSON çıktısı ayrıştırılamazsa, arama yöneticisi bir uyarı kaydeder ve QMD toparlanana kadar yerleşik sağlayıcıyı (mevcut Markdown embedding’leri) döndürür. ### Ek bellek yolları Varsayılan çalışma alanı düzeni dışındaki Markdown dosyalarını indekslemek istiyorsanız, açık yollar ekleyin: ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} agents: { defaults: { memorySearch: { extraPaths: ["../team-docs", "/srv/shared-notes/overview.md"] } } } ``` Notlar: * Yollar mutlak veya çalışma alanına göreli olabilir. * Dizinler `.md` dosyaları için özyinelemeli taranır. * Yalnızca Markdown dosyaları indekslenir. * Symlink’ler yok sayılır (dosya veya dizin). ### Gemini embedding’leri (yerel) Gemini embedding’leri API’sini doğrudan kullanmak için sağlayıcıyı `gemini` olarak ayarlayın: ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} agents: { defaults: { memorySearch: { provider: "gemini", model: "gemini-embedding-001", remote: { apiKey: "YOUR_GEMINI_API_KEY" } } } } ``` Notlar: * `remote.baseUrl` isteğe bağlıdır (varsayılan Gemini API taban URL’sidir). * `remote.headers`, gerekirse ek başlıklar eklemenizi sağlar. * Varsayılan model: `gemini-embedding-001`. **Özel bir OpenAI-uyumlu uç nokta** (OpenRouter, vLLM veya bir proxy) kullanmak istiyorsanız, OpenAI sağlayıcısıyla `remote` yapılandırmasını kullanabilirsiniz: ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} agents: { defaults: { memorySearch: { provider: "openai", model: "text-embedding-3-small", remote: { baseUrl: "https://api.example.com/v1/", apiKey: "YOUR_OPENAI_COMPAT_API_KEY", headers: { "X-Custom-Header": "value" } } } } } ``` Bir API anahtarı ayarlamak istemiyorsanız `memorySearch.provider = "local"`’i kullanın veya `memorySearch.fallback = "none"`’yı ayarlayın. Geri dönüşler: * `memorySearch.fallback`, `openai`, `gemini`, `local` veya `none` olabilir. * Geri dönüş sağlayıcısı yalnızca birincil embedding sağlayıcısı başarısız olduğunda kullanılır. Toplu indeksleme (OpenAI + Gemini): * OpenAI ve Gemini embedding’leri için varsayılan olarak etkindir. Devre dışı bırakmak için `agents.defaults.memorySearch.remote.batch.enabled = false`’yi ayarlayın. * Varsayılan davranış batch tamamlanmasını bekler; gerekirse `remote.batch.wait`, `remote.batch.pollIntervalMs` ve `remote.batch.timeoutMinutes`’i ayarlayın. * Paralel gönderilecek batch iş sayısını denetlemek için `remote.batch.concurrency`’yı ayarlayın (varsayılan: 2). * Batch modu, `memorySearch.provider = "openai"` veya `"gemini"` olduğunda uygulanır ve ilgili API anahtarını kullanır. * Gemini batch işleri, async embeddings batch uç noktasını kullanır ve Gemini Batch API erişimi gerektirir. OpenAI batch neden hızlı + ucuz: * Büyük geri doldurmalar için OpenAI, tek bir batch işinde çok sayıda embedding isteği gönderebildiğimiz ve OpenAI’nin bunları asenkron işlemesine izin verdiği için genellikle desteklediğimiz en hızlı seçenektir. * OpenAI, Batch API iş yükleri için indirimli fiyatlandırma sunar; bu nedenle büyük indeksleme çalışmaları çoğu zaman aynı istekleri eşzamanlı göndermekten daha ucuzdur. * Ayrıntılar için OpenAI Batch API belgeleri ve fiyatlandırmasına bakın: * [https://platform.openai.com/docs/api-reference/batch](https://platform.openai.com/docs/api-reference/batch) * [https://platform.openai.com/pricing](https://platform.openai.com/pricing) Yapılandırma örneği: ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} agents: { defaults: { memorySearch: { provider: "openai", model: "text-embedding-3-small", fallback: "openai", remote: { batch: { enabled: true, concurrency: 2 } }, sync: { watch: true } } } } ``` Araçlar: * `memory_search` — dosya + satır aralıklarıyla parçalar döndürür. * `memory_get` — yola göre bellek dosyası içeriğini okur. Yerel mod: * `agents.defaults.memorySearch.provider = "local"`’i ayarlayın. * `agents.defaults.memorySearch.local.modelPath` sağlayın (GGUF veya `hf:` URI). * İsteğe bağlı: uzak geri dönüşü önlemek için `agents.defaults.memorySearch.fallback = "none"`’ü ayarlayın. ### Bellek araçları nasıl çalışır * `memory_search`, `MEMORY.md` + `memory/**/*.md` içindeki Markdown parçalarını anlamsal olarak arar (\~400 belirteç hedefi, 80 belirteç örtüşme). Parça metnini (\~700 karakter sınırı), dosya yolunu, satır aralığını, skoru, sağlayıcı/modeli ve yerel → uzak embedding’lere geri düşülüp düşülmediğini döndürür. Tam dosya içeriği döndürülmez. * `memory_get`, belirli bir bellek Markdown dosyasını (çalışma alanına göreli), isteğe bağlı olarak bir başlangıç satırından ve N satır boyunca okur. `MEMORY.md` / `memory/` dışındaki yollar reddedilir. * Her iki araç da yalnızca ajan için `memorySearch.enabled` true çözümlendiğinde etkindir. ### Neler indekslenir (ve ne zaman) * Dosya türü: yalnızca Markdown (`MEMORY.md`, `memory/**/*.md`). * Dizin depolama: ajan başına SQLite, `~/.openclaw/memory/.sqlite`’te ( `agents.defaults.memorySearch.store.path` ile yapılandırılabilir, `{agentId}` belirteci desteklenir). * Tazelik: `MEMORY.md` + `memory/` üzerinde izleyici dizini kirli işaretler (debounce 1,5 sn). Eşitleme oturum başlangıcında, aramada veya bir aralıkta zamanlanır ve asenkron çalışır. Oturum dökümleri, arka plan eşitlemeyi tetiklemek için delta eşiklerini kullanır. * Yeniden indeksleme tetikleyicileri: dizin, embedding **sağlayıcı/model + uç nokta parmak izi + parçalara ayırma parametreleri**ni saklar. Bunlardan biri değişirse OpenClaw tüm depoyu otomatik olarak sıfırlar ve yeniden indeksler. ### Hibrit arama (BM25 + vektör) Etkinleştirildiğinde OpenClaw şunları birleştirir: * **Vektör benzerliği** (anlamsal eşleşme, ifade farklı olabilir) * **BM25 anahtar kelime uygunluğu** (ID’ler, env değişkenleri, kod sembolleri gibi tam belirteçler) Platformunuzda tam metin araması yoksa OpenClaw yalnızca vektör aramaya geri döner. #### Neden hibrit? Vektör arama “aynı anlama geliyor” durumlarında harikadır: * “Mac Studio gateway ana makinesi” vs “gateway’i çalıştıran makine” * “dosya güncellemelerini debounce et” vs “her yazmada indekslemeyi önle” Ancak tam ve yüksek sinyalli belirteçlerde zayıf olabilir: * ID’ler (`a828e60`, `b3b9895a…`) * kod sembolleri (`memorySearch.query.hybrid`) * hata dizeleri (“sqlite-vec unavailable”) BM25 (tam metin) bunun tersidir: tam belirteçlerde güçlü, yeniden ifade etmelerde zayıf. Hibrit arama, pragmatik orta yoldur: **her iki getirim sinyalini de kullanın**, böylece hem “doğal dil” hem de “samanlıkta iğne” sorgularında iyi sonuçlar elde edersiniz. #### Sonuçları nasıl birleştiriyoruz (mevcut tasarım) Uygulama taslağı: 1. Her iki taraftan aday havuzu alın: * **Vektör**: kosinüs benzerliğine göre en iyi `maxResults * candidateMultiplier`. * **BM25**: FTS5 BM25 sıralamasına göre en iyi `maxResults * candidateMultiplier` (daha düşük daha iyidir). 2. BM25 sıralamasını 0..1 benzeri bir skora dönüştürün: * `textScore = 1 / (1 + max(0, bm25Rank))` 3. Union candidates by chunk id and compute a weighted score: * `finalScore = vectorWeight * vectorScore + textWeight * textScore` Notlar: * `vectorWeight` + `textWeight`, yapılandırma çözümlemesinde 1,0’a normalize edilir; böylece ağırlıklar yüzde gibi davranır. * Embedding’ler kullanılamıyorsa (veya sağlayıcı sıfır vektör döndürürse), BM25 yine çalıştırılır ve anahtar kelime eşleşmeleri döndürülür. * FTS5 oluşturulamıyorsa, yalnızca vektör aramayı koruruz (sert hata yok). Bu “IR-teorisi açısından kusursuz” değil; ancak basit, hızlıdır ve gerçek notlarda geri çağırma/duyarlılığı artırma eğilimindedir. Daha sonra daha gelişmiş olmak istersek, yaygın sonraki adımlar Reciprocal Rank Fusion (RRF) veya karıştırmadan önce skor normalizasyonudur (min/max veya z-skoru). Yapılandırma: ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} agents: { defaults: { memorySearch: { query: { hybrid: { enabled: true, vectorWeight: 0.7, textWeight: 0.3, candidateMultiplier: 4 } } } } } ``` ### Embedding cache OpenClaw, **parça embedding’lerini** SQLite’ta önbelleğe alabilir; böylece yeniden indeksleme ve sık güncellemeler (özellikle oturum dökümleri) değişmeyen metni yeniden embed etmez. Yapılandırma: ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} agents: { defaults: { memorySearch: { cache: { enabled: true, maxEntries: 50000 } } } } ``` ### Oturum belleği araması (deneysel) İsteğe bağlı olarak **oturum dökümlerini** indeksleyebilir ve bunları `memory_search` üzerinden sunabilirsiniz. Bu özellik deneysel bir bayrakla korunur. ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} agents: { defaults: { memorySearch: { experimental: { sessionMemory: true }, sources: ["memory", "sessions"] } } } ``` Notlar: * Oturum indeksleme **isteğe bağlıdır** (varsayılan olarak kapalı). * Oturum güncellemeleri debounce edilir ve delta eşiklerini aştıktan sonra **asenkron olarak indekslenir** (en iyi çaba). * `memory_search` indekslemeyi asla beklemez; arka plan eşitlemesi bitene kadar sonuçlar biraz eski olabilir. * Sonuçlar yine yalnızca parçaları içerir; `memory_get` bellek dosyalarıyla sınırlı kalır. * Oturum indeksleme ajan başına yalıtılmıştır (yalnızca o ajanın oturum günlükleri indekslenir). * Oturum günlükleri diskte yaşar (`~/.openclaw/agents//sessions/*.jsonl`). Dosya sistemi erişimi olan herhangi bir süreç/kullanıcı okuyabilir; bu nedenle disk erişimini güven sınırı olarak değerlendirin. Daha sıkı yalıtım için ajanları ayrı OS kullanıcıları veya ana makineler altında çalıştırın. Delta eşikleri (varsayılanlar gösterilmiştir): ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} agents: { defaults: { memorySearch: { sync: { sessions: { deltaBytes: 100000, // ~100 KB deltaMessages: 50 // JSONL lines } } } } } ``` ### SQLite vektör hızlandırma (sqlite-vec) sqlite-vec uzantısı mevcut olduğunda OpenClaw embedding’leri bir SQLite sanal tablosunda (`vec0`) saklar ve vektör mesafe sorgularını veritabanında yürütür. Bu, her embedding’i JS’e yüklemeden aramayı hızlı tutar. Yapılandırma (isteğe bağlı): ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} agents: { defaults: { memorySearch: { store: { vector: { enabled: true, extensionPath: "/path/to/sqlite-vec" } } } } } ``` Notlar: * `enabled` varsayılan olarak true’dur; devre dışı bırakıldığında arama, saklanan embedding’ler üzerinde süreç içi kosinüs benzerliğine geri döner. * sqlite-vec uzantısı yoksa veya yüklenemezse OpenClaw hatayı kaydeder ve JS geri dönüşüyle devam eder (vektör tablo yok). * `extensionPath`, paketlenmiş sqlite-vec yolunu geçersiz kılar (özel derlemeler veya standart dışı kurulumlar için yararlı). ### Yerel embedding otomatik indirme * Varsayılan yerel embedding modeli: `hf:ggml-org/embeddinggemma-300M-GGUF/embeddinggemma-300M-Q8_0.gguf` (\~0,6 GB). * `memorySearch.provider = "local"` olduğunda `node-llama-cpp`, `modelPath`’i çözümler; GGUF eksikse önbelleğe (veya ayarlıysa `local.modelCacheDir`) **otomatik indirir**, sonra yükler. İndirmeler yeniden denemede devam eder. * Yerel derleme gereksinimi: `pnpm approve-builds` çalıştırın, `node-llama-cpp`’i seçin, ardından `pnpm rebuild node-llama-cpp`. * Geri dönüş: yerel kurulum başarısız olursa ve `memorySearch.fallback = "openai"` ise, otomatik olarak uzak embedding’lere geçeriz (`openai/text-embedding-3-small` varsayılan, aksi belirtilmedikçe) ve nedeni kaydederiz. ### Özel OpenAI-uyumlu uç nokta örneği ```json5 theme={"theme":{"light":"min-light","dark":"min-dark"}} agents: { defaults: { memorySearch: { provider: "openai", model: "text-embedding-3-small", remote: { baseUrl: "https://api.example.com/v1/", apiKey: "YOUR_REMOTE_API_KEY", headers: { "X-Organization": "org-id", "X-Project": "project-id" } } } } } ``` Notlar: * `remote.*`, `models.providers.openai.*`’ya göre önceliklidir. * `remote.headers`, OpenAI başlıklarıyla birleştirilir; anahtar çakışmalarında uzak taraf kazanır. OpenAI varsayılanlarını kullanmak için `remote.headers`’i atlayın.