میموری¶

OpenClaw memory is plain Markdown in the agent workspace. The files are the source of truth; the model only "remembers" what gets written to disk.

میموری سرچ ٹولز فعال میموری پلگ ان کے ذریعے فراہم کیے جاتے ہیں (ڈیفالٹ: memory-core)۔ Disable memory plugins with plugins.slots.memory = "none".

میموری فائلیں (Markdown)¶

ڈیفالٹ ورک اسپیس لےآؤٹ دو میموری لیئرز استعمال کرتا ہے:

memory/YYYY-MM-DD.md
روزانہ لاگ (صرف اضافہ ہوتا ہے)۔
سیشن شروع پر آج + کل کی قراءت۔
MEMORY.md (اختیاری)
ترتیب دی گئی طویل مدتی میموری۔
صرف مرکزی، نجی سیشن میں لوڈ کریں (گروپ سیاق میں کبھی نہیں)۔

یہ فائلیں ورک اسپیس (agents.defaults.workspace، بطورِ ڈیفالٹ ~/.openclaw/workspace). See Agent workspace for the full layout.

میموری کب لکھیں¶

فیصلے، ترجیحات، اور پائیدار حقائق MEMORY.md میں جائیں۔
روزمرہ نوٹس اور جاری سیاق memory/YYYY-MM-DD.md میں جائیں۔
اگر کوئی کہے “اسے یاد رکھو”، تو لکھ دیں (RAM میں نہ رکھیں)۔
یہ حصہ ابھی ارتقا کے عمل میں ہے۔ ماڈل کو یاد دہانیاں محفوظ کرنے کی ترغیب دینا مددگار ہوتا ہے؛ وہ جان لے گا کہ کیا کرنا ہے۔
اگر آپ چاہتے ہیں کہ کوئی چیز قائم رہے، بوٹ سے کہیں کہ اسے میموری میں لکھ دے۔

خودکار میموری فلش (پری-کمپیکشن پِنگ)¶

جب کوئی سیشن auto-compaction کے قریب ہو، OpenClaw ایک خاموش، agentic turn that reminds the model to write durable memory before** the context is compacted. The default prompts explicitly say the model may reply, but usually NO_REPLY is the correct response so the user never sees this turn.

یہ agents.defaults.compaction.memoryFlush کے ذریعے کنٹرول ہوتا ہے:

{
  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.",
        },
      },
    },
  },
}

تفصیلات:

سوفٹ تھریش ہولڈ: فلش اس وقت ٹرگر ہوتی ہے جب سیشن ٹوکن تخمینہ contextWindow - reserveTokensFloor - softThresholdTokens سے تجاوز کرے۔
بطورِ طے شدہ خاموش: پرامپٹس میں NO_REPLY شامل ہوتا ہے تاکہ کچھ ڈیلیور نہ ہو۔
دو پرامپٹس: ایک صارف پرامپٹ اور ایک سسٹم پرامپٹ یاد دہانی شامل کرتے ہیں۔
ہر کمپیکشن سائیکل میں ایک فلش (sessions.json میں ٹریک ہوتی ہے)۔
ورک اسپیس قابلِ تحریر ہونا لازم: اگر سیشن sandboxed حالت میں workspaceAccess: "ro" یا "none" کے ساتھ چل رہا ہو تو فلش چھوڑ دی جاتی ہے۔

کمپیکشن کے مکمل لائف سائیکل کے لیے دیکھیں Session management + compaction۔

ویکٹر میموری سرچ¶

OpenClaw MEMORY.md اور memory/*.md پر ایک چھوٹا ویکٹر انڈیکس بنا سکتا ہے تاکہ سیمنٹک کوئریز مختلف الفاظ ہونے کے باوجود متعلقہ نوٹس تلاش کر سکیں۔

ڈیفالٹس:

بطورِ طے شدہ فعال۔
میموری فائلوں میں تبدیلیوں کو دیکھتا ہے (ڈی باؤنسڈ)۔
Uses remote embeddings by default. If memorySearch.provider is not set, OpenClaw auto-selects: 1. local اگر memorySearch.local.modelPath کنفیگر ہو اور فائل موجود ہو۔ 2. openai اگر OpenAI کلید حل ہو سکے۔ 3. gemini اگر Gemini کلید حل ہو سکے۔ 4. voyage اگر Voyage کلید حل ہو سکے۔ 5. بصورتِ دیگر کنفیگریشن تک میموری سرچ غیر فعال رہتی ہے۔
لوکل موڈ node-llama-cpp استعمال کرتا ہے اور pnpm approve-builds درکار ہو سکتا ہے۔
SQLite کے اندر ویکٹر سرچ تیز کرنے کے لیے sqlite-vec (جب دستیاب ہو) استعمال کرتا ہے۔

Remote embeddings require an API key for the embedding provider. OpenClaw resolves keys from auth profiles, models.providers.*.apiKey, or environment variables. Codex OAuth only covers chat/completions and does not satisfy embeddings for memory search. For Gemini, use GEMINI_API_KEY or models.providers.google.apiKey. For Voyage, use VOYAGE_API_KEY or models.providers.voyage.apiKey. When using a custom OpenAI-compatible endpoint, set memorySearch.remote.apiKey (and optional memorySearch.remote.headers).

QMD بیک اینڈ (تجرباتی)¶

Set memory.backend = "qmd" to swap the built-in SQLite indexer for QMD: a local-first search sidecar that combines BM25 + vectors + reranking. Markdown stays the source of truth; OpenClaw shells out to QMD for retrieval. Key points:

پیشگی تقاضے

Disabled by default. 20. فی کنفیگ آپٹ اِن کریں (memory.backend = "qmd")۔
QMD CLI الگ سے انسٹال کریں (bun install -g https://github.com/tobi/qmd یا ریلیز حاصل کریں) اور یقینی بنائیں کہ qmd بائنری گیٹ وے کے PATH پر موجود ہو۔
QMD کو ایسی SQLite بلڈ درکار ہے جو ایکسٹینشنز کی اجازت دے (brew install sqlite برائے macOS)۔
QMD مکمل طور پر لوکل Bun + node-llama-cpp کے ذریعے چلتا ہے اور پہلی بار استعمال پر HuggingFace سے GGUF ماڈلز خودکار طور پر ڈاؤن لوڈ کرتا ہے (الگ Ollama ڈیمَن درکار نہیں)۔
گیٹ وے QMD کو خودمختار XDG ہوم میں ~/.openclaw/agents/<agentId>/qmd/ کے تحت چلاتا ہے، XDG_CONFIG_HOME اور XDG_CACHE_HOME سیٹ کر کے۔
OS support: macOS and Linux work out of the box once Bun + SQLite are installed. Windows is best supported via WSL2.

سائیڈکار کیسے چلتا ہے

گیٹ وے ایک خودمختار QMD ہوم ~/.openclaw/agents/<agentId>/qmd/ کے تحت لکھتا ہے (کنفیگ + کیش + sqlite DB)۔
کلیکشنز qmd collection add کے ذریعے memory.qmd.paths سے بنائے جاتے ہیں (اور ڈیفالٹ ورک اسپیس میموری فائلیں)، پھر qmd update + qmd embed بوٹ پر اور ایک قابلِ کنفیگر وقفے پر چلتے ہیں (memory.qmd.update.interval, ڈیفالٹ 5 m)۔
بوٹ ریفریش اب بطورِ طے شدہ بیک گراؤنڈ میں چلتا ہے تاکہ چیٹ اسٹارٹ اپ بلاک نہ ہو؛ پچھلا بلاکنگ رویہ رکھنے کے لیے memory.qmd.update.waitForBootSync = true سیٹ کریں۔
Searches run via qmd query --json. If QMD fails or the binary is missing, OpenClaw automatically falls back to the builtin SQLite manager so memory tools keep working.
OpenClaw فی الحال QMD ایمبیڈ بیچ-سائز ٹیوننگ ایکسپوز نہیں کرتا؛ بیچ رویہ QMD خود کنٹرول کرتا ہے۔
پہلی سرچ سست ہو سکتی ہے: QMD پہلی qmd query رن پر لوکل GGUF ماڈلز (ری رینکر/کوئری ایکسپینشن) ڈاؤن لوڈ کر سکتا ہے۔
OpenClaw QMD چلانے پر XDG_CONFIG_HOME/XDG_CACHE_HOME خودکار طور پر سیٹ کرتا ہے۔
اگر آپ ماڈلز دستی طور پر پری-ڈاؤن لوڈ کرنا چاہتے ہیں (اور وہی انڈیکس وارم کریں جو OpenClaw استعمال کرتا ہے)، ایجنٹ کے XDG ڈائریکٹریز کے ساتھ ایک وقتی کوئری چلائیں۔

OpenClaw’s QMD state lives under your state dir (defaults to ~/.openclaw). You can point qmd at the exact same index by exporting the same XDG vars OpenClaw uses:

```bash

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 ```

کنفیگ سطح (memory.qmd.*)

command (ڈیفالٹ qmd): ایگزیکیوبل پاتھ اووررائیڈ کریں۔
includeDefaultMemory (ڈیفالٹ true): MEMORY.md + memory/**/*.md کو خودکار انڈیکس کریں۔
paths[]: اضافی ڈائریکٹریز/فائلیں شامل کریں (path, اختیاری pattern, اختیاری مستحکم name)۔
sessions: سیشن JSONL انڈیکسنگ میں آپٹ اِن (enabled, retentionDays, exportDir)۔
update: ریفریش کیڈینس اور مینٹیننس ایکزیکیوشن کنٹرول کرتا ہے: (interval, debounceMs, onBoot, waitForBootSync, embedInterval, commandTimeoutMs, updateTimeoutMs, embedTimeoutMs)۔
limits: ریکال پے لوڈ محدود کریں (maxResults, maxSnippetChars, maxInjectedChars, timeoutMs)۔
scope: same schema as session.sendPolicy. Default is DM-only (deny all, allow direct chats); loosen it to surface QMD hits in groups/channels.
When scope denies a search, OpenClaw logs a warning with the derived channel/chatType so empty results are easier to debug.
ورک اسپیس کے باہر سے آنے والے اسنیپٹس qmd/<collection>/<relative-path> کے طور پر memory_search نتائج میں دکھائی دیتے ہیں؛ memory_get اس پریفکس کو سمجھتا ہے اور کنفیگرڈ QMD کلیکشن روٹ سے پڑھتا ہے۔
جب memory.qmd.sessions.enabled = true ہو، OpenClaw صاف کی گئی سیشن ٹرانسکرپٹس (User/Assistant ٹرنز) کو ~/.openclaw/agents/<id>/qmd/sessions/ کے تحت ایک مخصوص QMD کلیکشن میں ایکسپورٹ کرتا ہے، تاکہ memory_search حالیہ گفتگوئیں بلٹ اِن SQLite انڈیکس کو چھوئے بغیر یاد کر سکے۔
memory_search اسنیپٹس اب Source: <path#line> فوٹر شامل کرتے ہیں جب memory.citations auto/on ہو؛ پاتھ میٹاڈیٹا اندرونی رکھنے کے لیے memory.citations = "off" سیٹ کریں (ایجنٹ کو پھر بھی memory_get کے لیے پاتھ ملتا ہے، مگر اسنیپٹ متن فوٹر چھوڑ دیتا ہے اور سسٹم پرامپٹ ایجنٹ کو اسے حوالہ دینے سے روکتا ہے)۔

مثال

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" }
    ]
  }
}

حوالہ جات اور فال بیک

memory.citations بیک اینڈ سے قطع نظر لاگو ہوتا ہے (auto/on/off)۔
When qmd runs, we tag status().backend = "qmd" so diagnostics show which engine served the results. If the QMD subprocess exits or JSON output can’t be parsed, the search manager logs a warning and returns the builtin provider (existing Markdown embeddings) until QMD recovers.

اضافی میموری راستے¶

اگر آپ ڈیفالٹ ورک اسپیس لےآؤٹ سے باہر Markdown فائلیں انڈیکس کرنا چاہتے ہیں تو واضح راستے شامل کریں:

agents: {
  defaults: {
    memorySearch: {
      extraPaths: ["../team-docs", "/srv/shared-notes/overview.md"]
    }
  }
}

نوٹس:

راستے مطلق یا ورک اسپیس-نسبتی ہو سکتے ہیں۔
ڈائریکٹریز کو .md فائلوں کے لیے ریکرسیولی اسکین کیا جاتا ہے۔
صرف Markdown فائلیں انڈیکس ہوتی ہیں۔
Symlinks (فائلیں یا ڈائریکٹریز) نظرانداز کیے جاتے ہیں۔

Gemini ایمبیڈنگز (نیٹو)¶

Gemini ایمبیڈنگز API براہِ راست استعمال کرنے کے لیے فراہم کنندہ کو gemini پر سیٹ کریں:

agents: {
  defaults: {
    memorySearch: {
      provider: "gemini",
      model: "gemini-embedding-001",
      remote: {
        apiKey: "YOUR_GEMINI_API_KEY"
      }
    }
  }
}

نوٹس:

remote.baseUrl اختیاری ہے (ڈیفالٹ Gemini API بیس URL)۔
remote.headers اضافی ہیڈرز شامل کرنے دیتا ہے اگر ضرورت ہو۔
ڈیفالٹ ماڈل: gemini-embedding-001۔

اگر آپ کسٹم OpenAI-مطابقتی اینڈپوائنٹ (OpenRouter، vLLM، یا کوئی پروکسی) استعمال کرنا چاہتے ہیں، تو OpenAI فراہم کنندہ کے ساتھ remote کنفیگریشن استعمال کر سکتے ہیں:

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" }
      }
    }
  }
}

اگر آپ API کلید سیٹ نہیں کرنا چاہتے تو memorySearch.provider = "local" استعمال کریں یا memorySearch.fallback = "none" سیٹ کریں۔

فال بیکس:

memorySearch.fallback openai, gemini, local, یا none ہو سکتا ہے۔
فال بیک فراہم کنندہ صرف اس وقت استعمال ہوتا ہے جب بنیادی ایمبیڈنگ فراہم کنندہ ناکام ہو۔

بیچ انڈیکسنگ (OpenAI + Gemini):

Enabled by default for OpenAI and Gemini embeddings. Set agents.defaults.memorySearch.remote.batch.enabled = false to disable.
ڈیفالٹ رویہ بیچ مکمل ہونے کا انتظار کرتا ہے؛ ضرورت ہو تو remote.batch.wait, remote.batch.pollIntervalMs, اور remote.batch.timeoutMinutes ٹیون کریں۔
متوازی طور پر جمع کرائے جانے والے بیچ جابز کی تعداد کنٹرول کرنے کے لیے remote.batch.concurrency سیٹ کریں (ڈیفالٹ: 2)۔
بیچ موڈ اس وقت لاگو ہوتا ہے جب memorySearch.provider = "openai" یا "gemini" ہو اور متعلقہ API کلید استعمال کرتا ہے۔
Gemini بیچ جابز async ایمبیڈنگز بیچ اینڈپوائنٹ استعمال کرتی ہیں اور Gemini Batch API کی دستیابی درکار ہوتی ہے۔

OpenAI بیچ کیوں تیز + سستا ہے:

بڑے بیک فلز کے لیے، OpenAI عموماً سب سے تیز آپشن ہوتا ہے کیونکہ ہم ایک ہی بیچ جاب میں بہت سی ایمبیڈنگ درخواستیں جمع کرا سکتے ہیں اور OpenAI کو انہیں غیر ہم زمانی طور پر پروسیس کرنے دیتے ہیں۔
OpenAI بیچ API ورک لوڈز کے لیے رعایتی قیمتیں پیش کرتا ہے، اس لیے بڑے انڈیکسنگ رنز عموماً انہی درخواستوں کو ہم زمانی طور پر بھیجنے سے سستے پڑتے ہیں۔
تفصیلات کے لیے OpenAI Batch API دستاویزات اور قیمتیں دیکھیں:
https://platform.openai.com/docs/api-reference/batch
https://platform.openai.com/pricing

کنفیگ مثال:

agents: {
  defaults: {
    memorySearch: {
      provider: "openai",
      model: "text-embedding-3-small",
      fallback: "openai",
      remote: {
        batch: { enabled: true, concurrency: 2 }
      },
      sync: { watch: true }
    }
  }
}

اوزار:

memory_search — فائل + لائن رینجز کے ساتھ اسنیپٹس واپس کرتا ہے۔
memory_get — پاتھ کے ذریعے میموری فائل کا مواد پڑھتا ہے۔

لوکل موڈ:

agents.defaults.memorySearch.provider = "local" سیٹ کریں۔
agents.defaults.memorySearch.local.modelPath فراہم کریں (GGUF یا hf: URI)۔
اختیاری: ریموٹ فال بیک سے بچنے کے لیے agents.defaults.memorySearch.fallback = "none" سیٹ کریں۔

میموری ٹولز کیسے کام کرتے ہیں¶

memory_search semantically searches Markdown chunks (~400 token target, 80-token overlap) from MEMORY.md + memory/**/*.md. It returns snippet text (capped ~700 chars), file path, line range, score, provider/model, and whether we fell back from local → remote embeddings. No full file payload is returned.
memory_get reads a specific memory Markdown file (workspace-relative), optionally from a starting line and for N lines. Paths outside MEMORY.md / memory/ are rejected.
دونوں ٹولز صرف اس وقت فعال ہوتے ہیں جب ایجنٹ کے لیے memorySearch.enabled درست ثابت ہو۔

کیا چیز انڈیکس ہوتی ہے (اور کب)¶

فائل قسم: صرف Markdown (MEMORY.md, memory/**/*.md)۔
انڈیکس اسٹوریج: فی ایجنٹ SQLite، مقام ~/.openclaw/memory/<agentId>.sqlite (کنفیگ کے ذریعے agents.defaults.memorySearch.store.path؛ {agentId} ٹوکن سپورٹ)۔
Freshness: watcher on MEMORY.md + memory/ marks the index dirty (debounce 1.5s). Sync is scheduled on session start, on search, or on an interval and runs asynchronously. Session transcripts use delta thresholds to trigger background sync.
Reindex triggers: the index stores the embedding provider/model + endpoint fingerprint + chunking params. If any of those change, OpenClaw automatically resets and reindexes the entire store.

ہائبرڈ سرچ (BM25 + ویکٹر)¶

فعال ہونے پر، OpenClaw یکجا کرتا ہے:

ویکٹر مماثلت (سیمنٹک میچ، الفاظ مختلف ہو سکتے ہیں)
BM25 کی ورڈ مطابقت (عین ٹوکنز جیسے IDs، env vars، کوڈ سمبلز)

اگر آپ کے پلیٹ فارم پر فل ٹیکسٹ سرچ دستیاب نہ ہو تو OpenClaw ویکٹر-اونلی سرچ پر واپس آ جاتا ہے۔

ہائبرڈ کیوں؟¶

ویکٹر سرچ “یہ وہی معنی رکھتا ہے” میں بہترین ہے:

“Mac Studio gateway host” بمقابلہ “the machine running the gateway”
“debounce file updates” بمقابلہ “avoid indexing on every write”

لیکن عین، ہائی-سگنل ٹوکنز میں کمزور ہو سکتی ہے:

IDs (a828e60, b3b9895a…)
کوڈ سمبلز (memorySearch.query.hybrid)
ایرر اسٹرنگز (“sqlite-vec unavailable”)

BM25 (full-text) is the opposite: strong at exact tokens, weaker at paraphrases. Hybrid search is the pragmatic middle ground: use both retrieval signals so you get good results for both “natural language” queries and “needle in a haystack” queries.

نتائج کیسے ملاتے ہیں (موجودہ ڈیزائن)¶

عملی خاکہ:

دونوں اطراف سے امیدوار پول حاصل کریں:

ویکٹر: کوسائن مماثلت کے لحاظ سے ٹاپ maxResults * candidateMultiplier۔
BM25: FTS5 BM25 رینک کے لحاظ سے ٹاپ maxResults * candidateMultiplier (کم بہتر ہے)۔

BM25 رینک کو 0..1 جیسے اسکور میں تبدیل کریں:

textScore = 1 / (1 + max(0, bm25Rank))

چنک آئی ڈی کے مطابق امیدواروں کو یونین کریں اور وزنی اسکور نکالیں:

finalScore = vectorWeight * vectorScore + textWeight * textScore

نوٹس:

vectorWeight + textWeight کنفیگ ریزولوشن میں 1.0 پر نارملائز ہوتے ہیں، اس لیے وزن فیصد کی طرح برتاؤ کرتے ہیں۔
اگر ایمبیڈنگز دستیاب نہ ہوں (یا فراہم کنندہ زیرو-ویکٹر لوٹائے)، ہم پھر بھی BM25 چلاتے ہیں اور کی ورڈ میچز واپس کرتے ہیں۔
اگر FTS5 نہ بن سکے تو ہم ویکٹر-اونلی سرچ رکھتے ہیں (کوئی ہارڈ فیل نہیں)۔

This isn’t “IR-theory perfect”, but it’s simple, fast, and tends to improve recall/precision on real notes. If we want to get fancier later, common next steps are Reciprocal Rank Fusion (RRF) or score normalization (min/max or z-score) before mixing.

کنفیگ:

agents: {
  defaults: {
    memorySearch: {
      query: {
        hybrid: {
          enabled: true,
          vectorWeight: 0.7,
          textWeight: 0.3,
          candidateMultiplier: 4
        }
      }
    }
  }
}

ایمبیڈنگ کیش¶

OpenClaw چنک ایمبیڈنگز کو SQLite میں کیش کر سکتا ہے تاکہ ری انڈیکسنگ اور بار بار اپ ڈیٹس (خاص طور پر سیشن ٹرانسکرپٹس) غیر تبدیل شدہ متن کو دوبارہ ایمبیڈ نہ کریں۔

کنفیگ:

agents: {
  defaults: {
    memorySearch: {
      cache: {
        enabled: true,
        maxEntries: 50000
      }
    }
  }
}

سیشن میموری سرچ (تجرباتی)¶

You can optionally index session transcripts and surface them via memory_search. This is gated behind an experimental flag.

agents: {
  defaults: {
    memorySearch: {
      experimental: { sessionMemory: true },
      sources: ["memory", "sessions"]
    }
  }
}

نوٹس:

سیشن انڈیکسنگ آپٹ اِن ہے (بطورِ طے شدہ بند)۔
سیشن اپ ڈیٹس ڈی باؤنسڈ ہیں اور ڈیلٹا تھریش ہولڈز عبور کرنے پر غیر ہم زمانی طور پر انڈیکس ہوتی ہیں (بہترین کوشش)۔
memory_search کبھی انڈیکسنگ پر بلاک نہیں کرتا؛ بیک گراؤنڈ سنک مکمل ہونے تک نتائج قدرے پرانے ہو سکتے ہیں۔
نتائج میں اب بھی صرف اسنیپٹس شامل ہوتے ہیں؛ memory_get میموری فائلوں تک محدود رہتا ہے۔
سیشن انڈیکسنگ فی ایجنٹ علیحدہ ہے (صرف اسی ایجنٹ کے سیشن لاگز انڈیکس ہوتے ہیں)۔
Session logs live on disk (~/.openclaw/agents/<agentId>/sessions/*.jsonl). Any process/user with filesystem access can read them, so treat disk access as the trust boundary. For stricter isolation, run agents under separate OS users or hosts.

ڈیلٹا تھریش ہولڈز (ڈیفالٹس دکھائے گئے):

agents: {
  defaults: {
    memorySearch: {
      sync: {
        sessions: {
          deltaBytes: 100000,   // ~100 KB
          deltaMessages: 50     // JSONL lines
        }
      }
    }
  }
}

SQLite ویکٹر ایکسیلیریشن (sqlite-vec)¶

When the sqlite-vec extension is available, OpenClaw stores embeddings in a SQLite virtual table (vec0) and performs vector distance queries in the database. This keeps search fast without loading every embedding into JS.

کنفیگریشن (اختیاری):

agents: {
  defaults: {
    memorySearch: {
      store: {
        vector: {
          enabled: true,
          extensionPath: "/path/to/sqlite-vec"
        }
      }
    }
  }
}

نوٹس:

enabled بطورِ طے شدہ true ہے؛ غیر فعال ہونے پر سرچ محفوظ شدہ ایمبیڈنگز پر اِن-پروسیس کوسائن مماثلت پر واپس آ جاتی ہے۔
اگر sqlite-vec ایکسٹینشن غائب ہو یا لوڈ نہ ہو سکے تو OpenClaw ایرر لاگ کرتا ہے اور JS فال بیک کے ساتھ جاری رہتا ہے (کوئی ویکٹر ٹیبل نہیں)۔
extensionPath بنڈلڈ sqlite-vec پاتھ اووررائیڈ کرتا ہے (کسٹم بلڈز یا غیر معیاری انسٹال لوکیشنز کے لیے مفید)۔

لوکل ایمبیڈنگ خودکار ڈاؤن لوڈ¶

ڈیفالٹ لوکل ایمبیڈنگ ماڈل: hf:ggml-org/embeddinggemma-300M-GGUF/embeddinggemma-300M-Q8_0.gguf (~0.6 GB)۔
When memorySearch.provider = "local", node-llama-cpp resolves modelPath; if the GGUF is missing it auto-downloads to the cache (or local.modelCacheDir if set), then loads it. Downloads resume on retry.
نیٹو بلڈ تقاضا: pnpm approve-builds چلائیں، node-llama-cpp منتخب کریں، پھر pnpm rebuild node-llama-cpp۔
فال بیک: اگر لوکل سیٹ اپ ناکام ہو اور memorySearch.fallback = "openai" ہو تو ہم خودکار طور پر ریموٹ ایمبیڈنگز پر سوئچ کرتے ہیں (openai/text-embedding-3-small جب تک اووررائیڈ نہ ہو) اور وجہ ریکارڈ کرتے ہیں۔

کسٹم OpenAI-مطابقتی اینڈپوائنٹ مثال¶

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"
        }
      }
    }
  }
}

نوٹس:

remote.*، models.providers.openai.* پر فوقیت رکھتا ہے۔
remote.headers merge with OpenAI headers; remote wins on key conflicts. Omit remote.headers to use the OpenAI defaults.

Fundamentals

Bootstrapping

Sessions and memory

Multi-agent

Messages and delivery

Memory

میموری¶

میموری فائلیں (Markdown)¶

میموری کب لکھیں¶

خودکار میموری فلش (پری-کمپیکشن پِنگ)¶

ویکٹر میموری سرچ¶

QMD بیک اینڈ (تجرباتی)¶

Pick the same state dir OpenClaw uses¶

(Optional) force an index refresh + embeddings¶

Warm up / trigger first-time model downloads¶

اضافی میموری راستے¶

Gemini ایمبیڈنگز (نیٹو)¶

میموری ٹولز کیسے کام کرتے ہیں¶

کیا چیز انڈیکس ہوتی ہے (اور کب)¶

ہائبرڈ سرچ (BM25 + ویکٹر)¶

ہائبرڈ کیوں؟¶

نتائج کیسے ملاتے ہیں (موجودہ ڈیزائن)¶

ایمبیڈنگ کیش¶

سیشن میموری سرچ (تجرباتی)¶

SQLite ویکٹر ایکسیلیریشن (sqlite-vec)¶

لوکل ایمبیڈنگ خودکار ڈاؤن لوڈ¶

کسٹم OpenAI-مطابقتی اینڈپوائنٹ مثال¶