--- read_when: - Quieres entender el backend de memoria predeterminado - Desea configurar proveedores de embeddings o búsqueda híbrida summary: El backend de memoria predeterminado basado en SQLite con búsqueda por palabras clave, vectorial e híbrida title: Motor de memoria integrado x-i18n: generated_at: "2026-05-03T21:29:50Z" model: gpt-5.5 provider: openai source_hash: 72f5d1fee02bff0962bd012575b62846c1f11c030fd1174fdb2af1e81909f52a source_path: concepts/memory-builtin.md workflow: 16 --- El motor integrado es el backend de memoria predeterminado. Almacena tu índice de memoria en una base de datos SQLite por agente y no necesita dependencias adicionales para empezar. ## Qué proporciona - **Búsqueda por palabras clave** mediante indexación de texto completo FTS5 (puntuación BM25). - **Búsqueda vectorial** mediante embeddings de cualquier proveedor compatible. - **Búsqueda híbrida** que combina ambas para obtener mejores resultados. - **Compatibilidad con CJK** mediante tokenización por trigramas para chino, japonés y coreano. - **Aceleración sqlite-vec** para consultas vectoriales dentro de la base de datos (opcional). ## Primeros pasos Si tienes una clave de API para OpenAI, Gemini, Voyage, Mistral o DeepInfra, el motor integrado la detecta automáticamente y habilita la búsqueda vectorial. No hace falta configuración. Para establecer un proveedor explícitamente: ```json5 { agents: { defaults: { memorySearch: { provider: "openai", }, }, }, } ``` Sin un proveedor de embeddings, solo está disponible la búsqueda por palabras clave. Para forzar el proveedor integrado de embeddings locales, instala el paquete de runtime opcional `node-llama-cpp` junto a OpenClaw y, después, apunta `local.modelPath` a un archivo GGUF: ```json5 { agents: { defaults: { memorySearch: { provider: "local", fallback: "none", local: { modelPath: "~/.node-llama-cpp/models/embeddinggemma-300m-qat-Q8_0.gguf", }, }, }, }, } ``` ## Proveedores de embeddings compatibles | Proveedor | ID | Detectado automáticamente | Notas | | --------- | ----------- | ------------------------- | --------------------------------------------- | | OpenAI | `openai` | Sí | Predeterminado: `text-embedding-3-small` | | Gemini | `gemini` | Sí | Compatible con multimodal (imagen + audio) | | Voyage | `voyage` | Sí | | | Mistral | `mistral` | Sí | | | DeepInfra | `deepinfra` | Sí | Predeterminado: `BAAI/bge-m3` | | Ollama | `ollama` | No | Local, establecer explícitamente | | Local | `local` | Sí (primero) | Runtime opcional `node-llama-cpp` | La detección automática elige el primer proveedor cuya clave de API se pueda resolver, en el orden mostrado. Establece `memorySearch.provider` para sobrescribirlo. ## Cómo funciona la indexación OpenClaw indexa `MEMORY.md` y `memory/*.md` en fragmentos (~400 tokens con solapamiento de 80 tokens) y los almacena en una base de datos SQLite por agente. - **Ubicación del índice:** `~/.openclaw/memory/.sqlite` - **Mantenimiento del almacenamiento:** los archivos complementarios WAL de SQLite se limitan con checkpoints periódicos y al apagar. - **Vigilancia de archivos:** los cambios en archivos de memoria activan una reindexación con debounce (1,5 s). - **Reindexación automática:** cuando cambia el proveedor de embeddings, el modelo o la configuración de fragmentación, todo el índice se reconstruye automáticamente. - **Reindexación bajo demanda:** `openclaw memory index --force` También puedes indexar archivos Markdown fuera del espacio de trabajo con `memorySearch.extraPaths`. Consulta la [referencia de configuración](/es/reference/memory-config#additional-memory-paths). ## Cuándo usarlo El motor integrado es la opción adecuada para la mayoría de los usuarios: - Funciona de inmediato sin dependencias adicionales. - Gestiona bien la búsqueda por palabras clave y vectorial. - Es compatible con todos los proveedores de embeddings. - La búsqueda híbrida combina lo mejor de ambos enfoques de recuperación. Considera cambiar a [QMD](/es/concepts/memory-qmd) si necesitas reranking, expansión de consultas o quieres indexar directorios fuera del espacio de trabajo. Considera [Honcho](/es/concepts/memory-honcho) si quieres memoria entre sesiones con modelado automático de usuarios. ## Solución de problemas **¿Búsqueda de memoria deshabilitada?** Comprueba `openclaw memory status`. Si no se detecta ningún proveedor, establece uno explícitamente o añade una clave de API. **¿Proveedor local no detectado?** Confirma que la ruta local existe y ejecuta: ```bash openclaw memory status --deep --agent main openclaw memory index --force --agent main ``` Tanto los comandos CLI independientes como el Gateway usan el mismo id de proveedor `local`. Si el proveedor se establece en `auto`, los embeddings locales se consideran primero solo cuando `memorySearch.local.modelPath` apunta a un archivo local existente. **¿Resultados obsoletos?** Ejecuta `openclaw memory index --force` para reconstruir. El vigilante puede no detectar cambios en casos límite poco frecuentes. **¿sqlite-vec no carga?** OpenClaw recurre automáticamente a la similitud del coseno en proceso. `openclaw memory status --deep` informa del almacén vectorial local por separado del proveedor de embeddings, por lo que `Vector store: unavailable` apunta a la carga de sqlite-vec, mientras que `Embeddings: unavailable` apunta a la autenticación/proveedor o a la disponibilidad del modelo. Consulta los registros para ver el error de carga específico. ## Configuración Para la configuración del proveedor de embeddings, el ajuste de búsqueda híbrida (pesos, MMR, decaimiento temporal), la indexación por lotes, memoria multimodal, sqlite-vec, rutas adicionales y todos los demás parámetros de configuración, consulta la [referencia de configuración de memoria](/es/reference/memory-config). ## Relacionado - [Descripción general de memoria](/es/concepts/memory) - [Búsqueda de memoria](/es/concepts/memory-search) - [Active Memory](/es/concepts/active-memory)