Memory

文档

Memory

适用范围

在以下情况使用此页面：

了解内存文件布局和工作流程
调整自动压缩前内存刷新

Moltbot 内存是代理工作空间中的纯 Markdown 文件。文件是真实来源；模型只"记住"写入磁盘的内容。

内存搜索工具由活动的内存插件提供（默认：memory-core）。通过 plugins.slots.memory = "none" 禁用内存插件。

内存文件（Markdown）

默认工作空间布局使用两层内存：

memory/YYYY-MM-DD.md
- 每日日志（仅追加）。
- 会话开始时读取今天和昨天的内容。
MEMORY.md（可选）
- 精选的长期内存。
- 仅在主私人会话中加载（永远不在群组上下文中）。

这些文件位于工作空间下（agents.defaults.workspace，默认 ~/clawd）。有关完整布局，请参阅代理工作空间。

何时写入内存

决策、偏好和持久事实写入 MEMORY.md。
日常笔记和运行上下文写入 memory/YYYY-MM-DD.md。
如果有人说"记住这个"，请写下来（不要保留在 RAM 中）。
这个领域仍在发展中。提醒模型存储记忆会有帮助；它知道该做什么。
如果您希望某些内容持久保存，请要求机器人将其写入内存。

自动内存刷新（压缩前 ping）

当会话接近自动压缩时，Moltbot 会触发静默的代理轮次，提醒模型在上下文压缩之前写入持久内存。默认提示明确说明模型可以回复，但通常 NO_REPLY 是正确的响应，这样用户永远不会看到此轮次。

这由 agents.defaults.compaction.memoryFlush 控制：

{
  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."
        }
      }
    }
  }
}

详情：

软阈值：当会话令牌估计超过 contextWindow - reserveTokensFloor - softThresholdTokens 时触发刷新。
默认静默：提示包含 NO_REPLY，因此不传递任何内容。
两个提示：用户提示加上系统提示附加提醒。
每个压缩周期一次刷新（在 sessions.json 中跟踪）。
工作空间必须可写：如果会话在 workspaceAccess: "ro" 或 "none" 的沙盒中运行，则跳过刷新。

有关完整的压缩生命周期，请参阅会话管理 + 压缩。

向量内存搜索

Moltbot 可以在 MEMORY.md 和 memory/*.md 上构建小型向量索引，以便语义查询可以找到相关笔记，即使措辞不同。

默认：

默认启用。
监视内存文件的更改（防抖）。
默认使用远程嵌入。如果未设置 memorySearch.provider，Moltbot 自动选择：
1. 如果配置了 memorySearch.local.modelPath 且文件存在，则选择 local。
2. 如果可以解析 OpenAI 密钥，则选择 openai。
3. 如果可以解析 Gemini 密钥，则选择 gemini。
4. 否则，内存搜索保持禁用状态，直到配置完成。
本地模式使用 node-llama-cpp，可能需要 pnpm approve-builds。
使用 sqlite-vec（当可用时）来加速 SQLite 内部的向量搜索。

远程嵌入需要嵌入提供程序的 API 密钥。Moltbot 从身份验证配置文件、models.providers.*.apiKey 或环境变量解析密钥。Codex OAuth 仅涵盖聊天/补全，不满足内存搜索的嵌入。对于 Gemini，使用 GEMINI_API_KEY 或 models.providers.google.apiKey。使用自定义 OpenAI 兼容端点时，设置 memorySearch.remote.apiKey（和可选的 memorySearch.remote.headers）。

Gemini 嵌入（原生）

将提供程序设置为 gemini 以直接使用 Gemini 嵌入 API：

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

注意：

remote.baseUrl 是可选的（默认为 Gemini API 基本URL）。
remote.headers 允许您在需要时添加额外的标头。
默认模型：gemini-embedding-001。

如果要使用自定义 OpenAI 兼容端点（OpenRouter、vLLM 或代理），可以使用带有 OpenAI 提供程序的 remote 配置：

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" }
      }
    }
  }
}

如果不想设置 API 密钥，请使用 memorySearch.provider = "local" 或设置 memorySearch.fallback = "none"。

回退：

memorySearch.fallback 可以是 openai、gemini、local 或 none。
仅当主嵌入提供程序失败时才使用回退提供程序。

批量索引（OpenAI + Gemini）：

默认为 OpenAI 和 Gemini 嵌入启用。设置 agents.defaults.memorySearch.remote.batch.enabled = false 以禁用。
默认行为等待批处理完成；如需调整，请设置 remote.batch.wait、remote.batch.pollIntervalMs 和 remote.batch.timeoutMinutes。
设置 remote.batch.concurrency 来控制我们并行提交的批处理作业数（默认：2）。
当 memorySearch.provider = "openai" 或 "gemini" 时应用批处理模式，并使用相应的 API 密钥。
Gemini 批处理作业使用异步嵌入批处理端点，需要 Gemini Batch API 可用性。

为什么 OpenAI 批处理快速 + 便宜：

对于大型回填，OpenAI 通常是我们支持的最快选项，因为我们可以在单个批处理作业中提交许多嵌入请求，并让 OpenAI 异步处理它们。
OpenAI 为批处理 API 工作负载提供折扣定价，因此大型索引运行通常比同步发送相同请求更便宜。
有关详细信息，请参阅 OpenAI 批处理 API 文档和定价：
- https://platform.openai.com/docs/api-reference/batch
- https://platform.openai.com/pricing

配置示例：

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

工具：

memory_search — 返回带有文件 + 行范围的片段。
memory_get — 按路径读取内存文件内容。

本地模式：

设置 agents.defaults.memorySearch.provider = "local"。
提供 agents.defaults.memorySearch.local.modelPath（GGUF 或 hf: URI）。
可选：设置 agents.defaults.memorySearch.fallback = "none" 以避免远程回退。

内存工具的工作原理

memory_search 语义搜索来自 MEMORY.md + memory/**/*.md 的 Markdown 块（约 400 个令牌目标，80 个令牌重叠）。它返回片段文本（上限约 700 个字符）、文件路径、行范围、分数、提供程序/模型，以及我们是否从本地 → 远程嵌入回退。不返回完整文件负载。
memory_get 读取特定的内存 Markdown 文件（相对于工作空间），可选地从起始行开始读取 N 行。拒绝 MEMORY.md / memory/ 之外的路径。
这两个工具仅在代理的 memorySearch.enabled 解析为 true 时启用。

索引内容（及时间）

文件类型：仅 Markdown（MEMORY.md、memory/**/*.md）。
索引存储：每个代理的 SQLite 位于 ~/.moltbot/memory/<agentId>.sqlite（可通过 agents.defaults.memorySearch.store.path 配置，支持 {agentId} 令牌）。
新鲜度：MEMORY.md + memory/ 上的监视器标记索引为脏（防抖 1.5s）。同步在会话开始、搜索时或按间隔调度，并异步运行。会话记录使用增量阈值来触发后台同步。
重新索引触发器：索引存储嵌入提供程序/模型 + 端点指纹 + 分块参数。如果其中任何一个发生变化，Moltbot 会自动重置并重新索引整个存储。

混合搜索（BM25 + 向量）

启用后，Moltbot 结合：

向量相似度（语义匹配，措辞可以不同）
BM25 关键词相关性（精确令牌，如 ID、环境变量、代码符号）

如果您的平台上无法使用全文搜索，Moltbot 会回退到仅向量搜索。

为什么混合？

向量搜索非常擅长"这意味着相同的事情"：

“Mac Studio 网关主机” vs “运行网关的机器”
“防抖文件更新” vs “避免在每次写入时索引”

但在精确的高信号令牌方面可能较弱：

ID（a828e60、b3b9895a…）
代码符号（memorySearch.query.hybrid）
错误字符串（“sqlite-vec unavailable”）

BM25（全文）相反：在精确令牌方面强，在改写方面弱。混合搜索是实用的中间立场：同时使用两种检索信号，这样您就可以获得"自然语言"查询和"大海捞针"查询的良好结果。

我们如何合并结果（当前设计）

实现草图：

从两侧检索候选池：

向量：按余弦相似度的前 maxResults * candidateMultiplier。
BM25：按 FTS5 BM25 排名的前 maxResults * candidateMultiplier（越低越好）。

将 BM25 排名转换为 0..1 左右的分数：

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

按块 ID 合并候选并计算加权分数：

finalScore = vectorWeight * vectorScore + textWeight * textScore

注意：

vectorWeight + textWeight 在配置解析中归一化为 1.0，因此权重表现为百分比。
如果嵌入不可用（或提供程序返回零向量），我们仍然运行 BM25 并返回关键词匹配。
如果无法创建 FTS5，我们保持仅向量搜索（没有硬失败）。

这并不是"IR 理论完美"，但它简单、快速，并且往往会提高真实笔记的召回率/精确率。如果以后想要更复杂，常见的下一步是倒数排名融合（RRF）或混合前的分数归一化（最小/最大或 z-score）。

配置：

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

嵌入缓存

Moltbot 可以在 SQLite 中缓存块嵌入，这样重新索引和频繁更新（特别是会话记录）就不会重新嵌入未更改的文本。

配置：

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

会话内存搜索（实验性）

您可以可选地索引会话记录并通过 memory_search 显示它们。这是一个实验性标志。

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

注意：

会话索引是可选的（默认关闭）。
会话更新经过防抖处理，并在超过增量阈值后异步索引（尽力而为）。
memory_search 从不阻塞索引；在后台同步完成之前，结果可能稍微过时。
结果仍然只包括片段；memory_get 仍然限于内存文件。
会话索引按代理隔离（仅索引该代理的会话日志）。
会话日志存在于磁盘上（~/.moltbot/agents/<agentId>/sessions/*.jsonl）。任何具有文件系统访问权限的进程/用户都可以读取它们，因此将磁盘访问视为信任边界。对于更严格的隔离，请在单独的 OS 用户或主机下运行代理。

增量阈值（显示默认值）：

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

SQLite 向量加速（sqlite-vec）

当 sqlite-vec 扩展可用时，Moltbot 将嵌入存储在 SQLite 虚拟表（vec0）中，并在数据库中执行向量距离查询。这使搜索快速，而无需将每个嵌入加载到 JS 中。

配置（可选）：

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

注意：

enabled 默认为 true；禁用时，搜索回退到存储嵌入的进程内余弦相似度。
如果 sqlite-vec 扩展丢失或加载失败，Moltbot 会记录错误并继续使用 JS 回退（没有向量表）。
extensionPath 覆盖捆绑的 sqlite-vec 路径（对于自定义构建或非标准安装位置很有用）。

本地嵌入自动下载

默认本地嵌入模型：hf:ggml-org/embeddinggemma-300M-GGUF/embeddinggemma-300M-Q8_0.gguf（约 0.6 GB）。
当 memorySearch.provider = "local" 时，node-llama-cpp 解析 modelPath；如果 GGUF 丢失，它会自动下载到缓存（或如果设置了 local.modelCacheDir），然后加载它。下载在重试时恢复。
本地构建要求：运行 pnpm approve-builds，选择 node-llama-cpp，然后 pnpm rebuild node-llama-cpp。
回退：如果本地设置失败且 memorySearch.fallback = "openai"，我们会自动切换到远程嵌入（openai/text-embedding-3-small，除非覆盖）并记录原因。

自定义 OpenAI 兼容端点示例

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"
        }
      }
    }
  }
}

注意：

remote.* 优先于 models.providers.openai.*。
remote.headers 与 OpenAI 标头合并；远程在键冲突时获胜。省略 remote.headers 以使用 OpenAI 默认值。

Markdown 格式化 Models CLI