--- read_when: - Vous souhaitez configurer des fournisseurs de recherche de mémoire ou des modèles de vectorisation - Vous souhaitez configurer le backend QMD - Vous voulez ajuster la recherche hybride, le MMR ou la décroissance temporelle - Vous souhaitez activer l’indexation multimodale de la mémoire sidebarTitle: Memory config summary: Tous les paramètres de configuration pour la recherche dans la mémoire, les fournisseurs d’incorporations vectorielles, QMD, la recherche hybride et l’indexation multimodale title: Référence de configuration de la mémoire x-i18n: generated_at: "2026-05-02T22:22:41Z" model: gpt-5.5 provider: openai source_hash: 99624a13b4e700da47a523206569d84c6750266fbb648ec73c463be9c5c285d0 source_path: reference/memory-config.md workflow: 16 --- Cette page répertorie chaque paramètre de configuration de la recherche de mémoire OpenClaw. Pour des présentations conceptuelles, consultez : Fonctionnement de la mémoire. Backend SQLite par défaut. Sidecar local-first. Pipeline de recherche et réglages. Sous-agent de mémoire pour les sessions interactives. Tous les paramètres de recherche de mémoire se trouvent sous `agents.defaults.memorySearch` dans `openclaw.json`, sauf indication contraire. Si vous cherchez l’interrupteur de la fonctionnalité **active memory** et la configuration du sous-agent, ils se trouvent sous `plugins.entries.active-memory` plutôt que sous `memorySearch`. Active memory utilise un modèle à deux barrières : 1. le plugin doit être activé et cibler l’ID de l’agent actuel 2. la requête doit être une session de chat persistante interactive éligible Consultez [Active Memory](/fr/concepts/active-memory) pour le modèle d’activation, la configuration détenue par le plugin, la persistance des transcriptions et le modèle de déploiement sûr. --- ## Sélection du fournisseur | Clé | Type | Valeur par défaut | Description | | ---------- | --------- | ----------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `provider` | `string` | auto-détecté | ID d’adaptateur d’embedding tel que `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai` ou `voyage` ; peut aussi être un `models.providers.` configuré dont `api` pointe vers l’un de ces adaptateurs | | `model` | `string` | valeur par défaut du fournisseur | Nom du modèle d’embedding | | `fallback` | `string` | `"none"` | ID de l’adaptateur de secours lorsque le principal échoue | | `enabled` | `boolean` | `true` | Activer ou désactiver la recherche de mémoire | ### Ordre d’auto-détection Lorsque `provider` n’est pas défini, OpenClaw sélectionne le premier disponible : Sélectionné si `memorySearch.local.modelPath` est configuré et que le fichier existe. Sélectionné si un jeton GitHub Copilot peut être résolu (variable d’environnement ou profil d’authentification). Sélectionné si une clé OpenAI peut être résolue. Sélectionné si une clé Gemini peut être résolue. Sélectionné si une clé Voyage peut être résolue. Sélectionné si une clé Mistral peut être résolue. Sélectionné si une clé DeepInfra peut être résolue. Sélectionné si la chaîne d’identifiants AWS SDK se résout (rôle d’instance, clés d’accès, profil, SSO, identité web ou configuration partagée). `ollama` est pris en charge mais n’est pas auto-détecté (définissez-le explicitement). ### ID de fournisseurs personnalisés `memorySearch.provider` peut pointer vers une entrée `models.providers.` personnalisée. OpenClaw résout le propriétaire `api` de ce fournisseur pour l’adaptateur d’embedding tout en préservant l’ID de fournisseur personnalisé pour la gestion du point de terminaison, de l’authentification et du préfixe de modèle. Cela permet aux configurations multi-GPU ou multi-hôtes de dédier les embeddings de mémoire à un point de terminaison local précis : ```json5 { models: { providers: { "ollama-5080": { api: "ollama", baseUrl: "http://gpu-box.local:11435", apiKey: "ollama-local", models: [{ id: "qwen3-embedding:0.6b" }], }, }, }, agents: { defaults: { memorySearch: { provider: "ollama-5080", model: "qwen3-embedding:0.6b", }, }, }, } ``` ### Résolution de la clé API Les embeddings distants nécessitent une clé API. Bedrock utilise à la place la chaîne d’identifiants par défaut AWS SDK (rôles d’instance, SSO, clés d’accès). | Fournisseur | Variable d’environnement | Clé de configuration | | -------------- | -------------------------------------------------- | ----------------------------------- | | Bedrock | Chaîne d’identifiants AWS | Aucune clé API nécessaire | | DeepInfra | `DEEPINFRA_API_KEY` | `models.providers.deepinfra.apiKey` | | Gemini | `GEMINI_API_KEY` | `models.providers.google.apiKey` | | GitHub Copilot | `COPILOT_GITHUB_TOKEN`, `GH_TOKEN`, `GITHUB_TOKEN` | Profil d’authentification via connexion d’appareil | | Mistral | `MISTRAL_API_KEY` | `models.providers.mistral.apiKey` | | Ollama | `OLLAMA_API_KEY` (placeholder) | -- | | OpenAI | `OPENAI_API_KEY` | `models.providers.openai.apiKey` | | Voyage | `VOYAGE_API_KEY` | `models.providers.voyage.apiKey` | Codex OAuth couvre uniquement le chat et les complétions, et ne satisfait pas les requêtes d’embedding. --- ## Configuration du point de terminaison distant Pour les points de terminaison personnalisés compatibles OpenAI ou pour remplacer les valeurs par défaut du fournisseur : URL de base API personnalisée. Remplacer la clé API. En-têtes HTTP supplémentaires (fusionnés avec les valeurs par défaut du fournisseur). ```json5 { agents: { defaults: { memorySearch: { provider: "openai", model: "text-embedding-3-small", remote: { baseUrl: "https://api.example.com/v1/", apiKey: "YOUR_KEY", }, }, }, }, } ``` --- ## Configuration propre au fournisseur | Clé | Type | Valeur par défaut | Description | | ---------------------- | -------- | ---------------------- | ------------------------------------------ | | `model` | `string` | `gemini-embedding-001` | Prend aussi en charge `gemini-embedding-2-preview` | | `outputDimensionality` | `number` | `3072` | Pour Embedding 2 : 768, 1536 ou 3072 | Changer de modèle ou modifier `outputDimensionality` déclenche une réindexation complète automatique. Les points de terminaison d’embedding compatibles OpenAI peuvent choisir d’utiliser des champs de requête `input_type` propres au fournisseur. C’est utile pour les modèles d’embedding asymétriques qui nécessitent des libellés différents pour les embeddings de requête et de document. | Clé | Type | Valeur par défaut | Description | | ------------------- | -------- | ----------------- | ------------------------------------------------------- | | `inputType` | `string` | non défini | `input_type` partagé pour les embeddings de requête et de document | | `queryInputType` | `string` | non défini | `input_type` au moment de la requête ; remplace `inputType` | | `documentInputType` | `string` | non défini | `input_type` d’index/document ; remplace `inputType` | ```json5 { agents: { defaults: { memorySearch: { provider: "openai", remote: { baseUrl: "https://embeddings.example/v1", apiKey: "env:EMBEDDINGS_API_KEY", }, model: "asymmetric-embedder", queryInputType: "query", documentInputType: "passage", }, }, }, } ``` Modifier ces valeurs affecte l’identité du cache d’embedding pour l’indexation par lots du fournisseur et doit être suivi d’une réindexation de la mémoire lorsque le modèle amont traite les libellés différemment. ### Configuration d’embedding Bedrock Bedrock utilise la chaîne d’identifiants par défaut AWS SDK ; aucune clé API n’est nécessaire. Si OpenClaw s’exécute sur EC2 avec un rôle d’instance activé pour Bedrock, définissez simplement le fournisseur et le modèle : ```json5 { agents: { defaults: { memorySearch: { provider: "bedrock", model: "amazon.titan-embed-text-v2:0", }, }, }, } ``` | Clé | Type | Valeur par défaut | Description | | ---------------------- | -------- | ----------------------------- | ------------------------------- | | `model` | `string` | `amazon.titan-embed-text-v2:0` | Tout ID de modèle d’embedding Bedrock | | `outputDimensionality` | `number` | valeur par défaut du modèle | Pour Titan V2 : 256, 512 ou 1024 | **Modèles pris en charge** (avec détection de famille et dimensions par défaut) : | ID du modèle | Fournisseur | Dimensions par défaut | Dimensions configurables | | ------------------------------------------ | ----------- | --------------------- | ------------------------ | | `amazon.titan-embed-text-v2:0` | Amazon | 1024 | 256, 512, 1024 | | `amazon.titan-embed-text-v1` | Amazon | 1536 | -- | | `amazon.titan-embed-g1-text-02` | Amazon | 1536 | -- | | `amazon.titan-embed-image-v1` | Amazon | 1024 | -- | | `amazon.nova-2-multimodal-embeddings-v1:0` | Amazon | 1024 | 256, 384, 1024, 3072 | | `cohere.embed-english-v3` | Cohere | 1024 | -- | | `cohere.embed-multilingual-v3` | Cohere | 1024 | -- | | `cohere.embed-v4:0` | Cohere | 1536 | 256-1536 | | `twelvelabs.marengo-embed-3-0-v1:0` | TwelveLabs | 512 | -- | | `twelvelabs.marengo-embed-2-7-v1:0` | TwelveLabs | 1024 | -- | Les variantes suffixées par le débit (par exemple, `amazon.titan-embed-text-v1:2:8k`) héritent de la configuration du modèle de base. **Authentification :** l’authentification Bedrock utilise l’ordre standard de résolution des identifiants AWS SDK : 1. Variables d’environnement (`AWS_ACCESS_KEY_ID` + `AWS_SECRET_ACCESS_KEY`) 2. Cache de jetons SSO 3. Identifiants de jeton d’identité web 4. Fichiers d’identifiants et de configuration partagés 5. Identifiants de métadonnées ECS ou EC2 La région est résolue à partir de `AWS_REGION`, `AWS_DEFAULT_REGION`, du `baseUrl` du fournisseur `amazon-bedrock`, ou prend par défaut la valeur `us-east-1`. **Autorisations IAM :** le rôle ou l’utilisateur IAM a besoin de : ```json { "Effect": "Allow", "Action": "bedrock:InvokeModel", "Resource": "*" } ``` Pour le moindre privilège, limitez la portée de `InvokeModel` au modèle précis : ``` arn:aws:bedrock:*::foundation-model/amazon.titan-embed-text-v2:0 ``` | Clé | Type | Par défaut | Description | | --------------------- | ------------------ | ---------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `local.modelPath` | `string` | téléchargé automatiquement | Chemin vers le fichier de modèle GGUF | | `local.modelCacheDir` | `string` | valeur par défaut de node-llama-cpp | Répertoire de cache pour les modèles téléchargés | | `local.contextSize` | `number \| "auto"` | `4096` | Taille de la fenêtre de contexte pour le contexte de vectorisation. 4096 couvre les fragments typiques (128 à 512 jetons) tout en limitant la VRAM hors poids. Réduisez à 1024-2048 sur les hôtes contraints. `"auto"` utilise le maximum d'entraînement du modèle, ce qui n'est pas recommandé pour les modèles 8B+ (Qwen3-Embedding-8B : 40 960 jetons -> ~32 Go de VRAM contre ~8,8 Go à 4096). | Modèle par défaut : `embeddinggemma-300m-qat-Q8_0.gguf` (~0,6 Go, téléchargé automatiquement). Les extractions de source nécessitent toujours l'approbation de compilation native : `pnpm approve-builds` puis `pnpm rebuild node-llama-cpp`. Utilisez la CLI autonome pour vérifier le même chemin de fournisseur que celui utilisé par le Gateway : ```bash openclaw memory status --deep --agent main openclaw memory index --force --agent main ``` Si `provider` vaut `auto`, `local` n'est sélectionné que lorsque `local.modelPath` pointe vers un fichier local existant. Les références de modèle `hf:` et HTTP(S) peuvent toujours être utilisées explicitement avec `provider: "local"`, mais elles ne font pas sélectionner local par `auto` avant que le modèle soit disponible sur le disque. ### Délai d'expiration de la vectorisation en ligne Remplacez le délai d'expiration des lots de vectorisation en ligne pendant l'indexation de la mémoire. Non défini, utilise la valeur par défaut du fournisseur : 600 secondes pour les fournisseurs locaux/auto-hébergés tels que `local`, `ollama` et `lmstudio`, et 120 secondes pour les fournisseurs hébergés. Augmentez cette valeur lorsque les lots de vectorisation locaux liés au CPU sont sains mais lents. --- ## Configuration de la recherche hybride Tout se trouve sous `memorySearch.query.hybrid` : | Clé | Type | Par défaut | Description | | --------------------- | --------- | ------- | ---------------------------------- | | `enabled` | `boolean` | `true` | Activer la recherche hybride BM25 + vectorielle | | `vectorWeight` | `number` | `0.7` | Poids des scores vectoriels (0-1) | | `textWeight` | `number` | `0.3` | Poids des scores BM25 (0-1) | | `candidateMultiplier` | `number` | `4` | Multiplicateur de taille du pool de candidats | | Clé | Type | Par défaut | Description | | ------------- | --------- | ------- | ------------------------------------ | | `mmr.enabled` | `boolean` | `false` | Activer le reclassement MMR | | `mmr.lambda` | `number` | `0.7` | 0 = diversité maximale, 1 = pertinence maximale | | Clé | Type | Par défaut | Description | | ---------------------------- | --------- | ------- | ------------------------- | | `temporalDecay.enabled` | `boolean` | `false` | Activer le renforcement par récence | | `temporalDecay.halfLifeDays` | `number` | `30` | Le score est divisé par deux tous les N jours | Les fichiers permanents (`MEMORY.md`, fichiers non datés dans `memory/`) ne subissent jamais de décroissance. ### Exemple complet ```json5 { agents: { defaults: { memorySearch: { query: { hybrid: { vectorWeight: 0.7, textWeight: 0.3, mmr: { enabled: true, lambda: 0.7 }, temporalDecay: { enabled: true, halfLifeDays: 30 }, }, }, }, }, }, } ``` --- ## Chemins de mémoire supplémentaires | Clé | Type | Description | | ------------ | ---------- | ---------------------------------------- | | `extraPaths` | `string[]` | Répertoires ou fichiers supplémentaires à indexer | ```json5 { agents: { defaults: { memorySearch: { extraPaths: ["../team-docs", "/srv/shared-notes"], }, }, }, } ``` Les chemins peuvent être absolus ou relatifs à l'espace de travail. Les répertoires sont analysés récursivement pour les fichiers `.md`. La gestion des liens symboliques dépend du backend actif : le moteur intégré ignore les liens symboliques, tandis que QMD suit le comportement du scanner QMD sous-jacent. Pour la recherche de transcriptions inter-agents limitée à un agent, utilisez `agents.list[].memorySearch.qmd.extraCollections` au lieu de `memory.qmd.paths`. Ces collections supplémentaires suivent la même forme `{ path, name, pattern? }`, mais elles sont fusionnées par agent et peuvent préserver des noms partagés explicites lorsque le chemin pointe en dehors de l'espace de travail actuel. Si le même chemin résolu apparaît à la fois dans `memory.qmd.paths` et dans `memorySearch.qmd.extraCollections`, QMD conserve la première entrée et ignore le doublon. --- ## Mémoire multimodale (Gemini) Indexez les images et l'audio avec Markdown à l'aide de Gemini Embedding 2 : | Clé | Type | Par défaut | Description | | ------------------------- | ---------- | ---------- | -------------------------------------- | | `multimodal.enabled` | `boolean` | `false` | Activer l'indexation multimodale | | `multimodal.modalities` | `string[]` | -- | `["image"]`, `["audio"]` ou `["all"]` | | `multimodal.maxFileBytes` | `number` | `10000000` | Taille maximale de fichier pour l'indexation | S’applique uniquement aux fichiers dans `extraPaths`. Les racines mémoire par défaut restent limitées au Markdown. Nécessite `gemini-embedding-2-preview`. `fallback` doit être `"none"`. Formats pris en charge : `.jpg`, `.jpeg`, `.png`, `.webp`, `.gif`, `.heic`, `.heif` (images) ; `.mp3`, `.wav`, `.ogg`, `.opus`, `.m4a`, `.aac`, `.flac` (audio). --- ## Cache des représentations vectorielles | Clé | Type | Par défaut | Description | | ------------------ | --------- | ---------- | --------------------------------------------------- | | `cache.enabled` | `boolean` | `false` | Mettre en cache les représentations vectorielles des fragments dans SQLite | | `cache.maxEntries` | `number` | `50000` | Nombre maximal de représentations vectorielles en cache | Évite de recalculer les représentations vectorielles du texte inchangé lors d’une réindexation ou de mises à jour de transcriptions. --- ## Indexation par lots | Clé | Type | Par défaut | Description | | ----------------------------- | --------- | ---------- | ------------------------------------------ | | `remote.nonBatchConcurrency` | `number` | `4` | Représentations vectorielles intégrées parallèles | | `remote.batch.enabled` | `boolean` | `false` | Activer l’API de représentations vectorielles par lots | | `remote.batch.concurrency` | `number` | `2` | Tâches par lots parallèles | | `remote.batch.wait` | `boolean` | `true` | Attendre la fin du lot | | `remote.batch.pollIntervalMs` | `number` | -- | Intervalle d’interrogation | | `remote.batch.timeoutMinutes` | `number` | -- | Délai d’expiration du lot | Disponible pour `openai`, `gemini` et `voyage`. Le traitement par lots OpenAI est généralement le plus rapide et le moins coûteux pour les grands remplissages rétrospectifs. `remote.nonBatchConcurrency` contrôle les appels de représentations vectorielles intégrés utilisés par les fournisseurs locaux/auto-hébergés et les fournisseurs hébergés lorsque les API de traitement par lots du fournisseur ne sont pas actives. Ollama utilise par défaut `1` pour l’indexation hors lots afin d’éviter de saturer les hôtes locaux plus petits ; définissez une valeur plus élevée sur les machines plus puissantes. Ce paramètre est distinct de `sync.embeddingBatchTimeoutSeconds`, qui contrôle le délai d’expiration des appels de représentations vectorielles intégrés. --- ## Recherche dans la mémoire de session (expérimental) Indexez les transcriptions de session et exposez-les via `memory_search` : | Clé | Type | Par défaut | Description | | ----------------------------- | ---------- | ----------- | ------------------------------------------------- | | `experimental.sessionMemory` | `boolean` | `false` | Activer l’indexation des sessions | | `sources` | `string[]` | `["memory"]` | Ajouter `"sessions"` pour inclure les transcriptions | | `sync.sessions.deltaBytes` | `number` | `100000` | Seuil en octets pour la réindexation | | `sync.sessions.deltaMessages` | `number` | `50` | Seuil en messages pour la réindexation | L’indexation des sessions est facultative et s’exécute de manière asynchrone. Les résultats peuvent être légèrement obsolètes. Les journaux de session résident sur disque ; considérez donc l’accès au système de fichiers comme la frontière de confiance. --- ## Accélération vectorielle SQLite (sqlite-vec) | Clé | Type | Par défaut | Description | | ---------------------------- | --------- | ---------- | ------------------------------------------------ | | `store.vector.enabled` | `boolean` | `true` | Utiliser sqlite-vec pour les requêtes vectorielles | | `store.vector.extensionPath` | `string` | bundled | Remplacer le chemin de sqlite-vec | Lorsque sqlite-vec n’est pas disponible, OpenClaw revient automatiquement à la similarité cosinus en cours de traitement. --- ## Stockage de l’index | Clé | Type | Par défaut | Description | | --------------------- | -------- | ------------------------------------- | ------------------------------------------------ | | `store.path` | `string` | `~/.openclaw/memory/{agentId}.sqlite` | Emplacement de l’index (prend en charge le jeton `{agentId}`) | | `store.fts.tokenizer` | `string` | `unicode61` | Analyseur lexical FTS5 (`unicode61` ou `trigram`) | --- ## Configuration du backend QMD Définissez `memory.backend = "qmd"` pour l’activer. Tous les paramètres QMD se trouvent sous `memory.qmd` : | Clé | Type | Par défaut | Description | | ------------------------ | --------- | ---------- | ------------------------------------------------------------------------------------- | | `command` | `string` | `qmd` | Chemin de l’exécutable QMD ; définissez un chemin absolu lorsque le `PATH` du service diffère de votre shell | | `searchMode` | `string` | `search` | Commande de recherche : `search`, `vsearch`, `query` | | `includeDefaultMemory` | `boolean` | `true` | Indexer automatiquement `MEMORY.md` + `memory/**/*.md` | | `paths[]` | `array` | -- | Chemins supplémentaires : `{ name, path, pattern? }` | | `sessions.enabled` | `boolean` | `false` | Indexer les transcriptions de session | | `sessions.retentionDays` | `number` | -- | Conservation des transcriptions | | `sessions.exportDir` | `string` | -- | Répertoire d’exportation | `searchMode: "search"` est uniquement lexical/BM25. OpenClaw n’exécute pas de sondes de disponibilité vectorielle sémantique ni de maintenance des embeddings QMD pour ce mode, y compris pendant `memory status --deep`; `vsearch` et `query` continuent d’exiger la disponibilité vectorielle QMD et les embeddings. OpenClaw privilégie la collection QMD actuelle et les formes de requête MCP, mais maintient la compatibilité avec les anciennes versions de QMD en essayant, si nécessaire, des indicateurs de motifs de collection compatibles et d’anciens noms d’outils MCP. Quand QMD annonce la prise en charge de plusieurs filtres de collection, les collections de même source sont recherchées avec un seul processus QMD; les anciennes versions de QMD conservent le chemin de compatibilité par collection. Même source signifie que les collections de mémoire durable sont regroupées, tandis que les collections de transcriptions de session restent dans un groupe séparé afin que la diversification des sources conserve toujours les deux entrées. Les substitutions de modèle QMD restent côté QMD, pas dans la configuration OpenClaw. Si vous devez remplacer les modèles de QMD globalement, définissez des variables d’environnement comme `QMD_EMBED_MODEL`, `QMD_RERANK_MODEL` et `QMD_GENERATE_MODEL` dans l’environnement d’exécution du Gateway. | Clé | Type | Par défaut | Description | | ------------------------- | --------- | ------- | ------------------------------------- | | `update.interval` | `string` | `5m` | Intervalle d’actualisation | | `update.debounceMs` | `number` | `15000` | Anti-rebond des changements de fichiers | | `update.onBoot` | `boolean` | `true` | Actualiser lorsque le gestionnaire QMD longue durée s’ouvre; contrôle aussi l’actualisation au démarrage avec opt-in | | `update.startup` | `string` | `off` | Actualisation facultative au démarrage du Gateway: `off`, `idle` ou `immediate` | | `update.startupDelayMs` | `number` | `120000` | Délai avant l’exécution de l’actualisation `startup: "idle"` | | `update.waitForBootSync` | `boolean` | `false` | Bloquer l’ouverture du gestionnaire jusqu’à la fin de son actualisation initiale | | `update.embedInterval` | `string` | -- | Cadence d’embedding séparée | | `update.commandTimeoutMs` | `number` | -- | Délai d’expiration pour les commandes QMD | | `update.updateTimeoutMs` | `number` | -- | Délai d’expiration pour les opérations de mise à jour QMD | | `update.embedTimeoutMs` | `number` | -- | Délai d’expiration pour les opérations d’embedding QMD | | Clé | Type | Par défaut | Description | | ------------------------- | -------- | ------- | -------------------------- | | `limits.maxResults` | `number` | `6` | Nombre maximal de résultats de recherche | | `limits.maxSnippetChars` | `number` | -- | Limiter la longueur de l’extrait | | `limits.maxInjectedChars` | `number` | -- | Limiter le nombre total de caractères injectés | | `limits.timeoutMs` | `number` | `4000` | Délai d’expiration de la recherche | Contrôle quelles sessions peuvent recevoir des résultats de recherche QMD. Même schéma que [`session.sendPolicy`](/fr/gateway/config-agents#session): ```json5 { memory: { qmd: { scope: { default: "deny", rules: [{ action: "allow", match: { chatType: "direct" } }], }, }, }, } ``` La valeur par défaut livrée autorise les sessions directes et de canal, tout en continuant à refuser les groupes. Par défaut, seuls les DM sont autorisés. `match.keyPrefix` correspond à la clé de session normalisée; `match.rawKeyPrefix` correspond à la clé brute incluant `agent::`. `memory.citations` s’applique à tous les backends: | Valeur | Comportement | | ---------------- | --------------------------------------------------- | | `auto` (par défaut) | Inclure le pied de page `Source: ` dans les extraits | | `on` | Toujours inclure le pied de page | | `off` | Omettre le pied de page (le chemin est quand même transmis à l’agent en interne) | Les actualisations QMD au démarrage utilisent un chemin de sous-processus à exécution unique pendant le démarrage du Gateway. Le gestionnaire QMD longue durée reste responsable de l’observateur de fichiers régulier et des minuteurs d’intervalle lorsque la recherche mémoire est ouverte pour une utilisation interactive. ### Exemple QMD complet ```json5 { 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" }], }, }, } ``` --- ## Dreaming Dreaming est configuré sous `plugins.entries.memory-core.config.dreaming`, pas sous `agents.defaults.memorySearch`. Dreaming s’exécute comme un balayage planifié unique et utilise des phases internes light/deep/REM comme détail d’implémentation. Pour le comportement conceptuel et les commandes slash, consultez [Dreaming](/fr/concepts/dreaming). ### Paramètres utilisateur | Clé | Type | Par défaut | Description | | ----------- | --------- | ------------- | ------------------------------------------------- | | `enabled` | `boolean` | `false` | Activer ou désactiver entièrement Dreaming | | `frequency` | `string` | `0 3 * * *` | Cadence cron facultative pour le balayage Dreaming complet | | `model` | `string` | modèle par défaut | Remplacement facultatif du modèle de sous-agent Dream Diary | ### Exemple ```json5 { plugins: { entries: { "memory-core": { subagent: { allowModelOverride: true, allowedModels: ["anthropic/claude-sonnet-4-6"], }, config: { dreaming: { enabled: true, frequency: "0 3 * * *", model: "anthropic/claude-sonnet-4-6", }, }, }, }, }, } ``` - Dreaming écrit l’état machine dans `memory/.dreams/`. - Dreaming écrit la sortie narrative lisible par l’humain dans `DREAMS.md` (ou le fichier `dreams.md` existant). - `dreaming.model` utilise la barrière de confiance de sous-agent du Plugin existant; définissez `plugins.entries.memory-core.subagent.allowModelOverride: true` avant de l’activer. - Dream Diary réessaie une fois avec le modèle par défaut de la session lorsque le modèle configuré n’est pas disponible. Les échecs de confiance ou de liste d’autorisation sont journalisés et ne sont pas réessayés silencieusement. - La politique et les seuils des phases light/deep/REM sont un comportement interne, pas une configuration destinée à l’utilisateur. ## Liens associés - [Référence de configuration](/fr/gateway/configuration-reference) - [Vue d’ensemble de la mémoire](/fr/concepts/memory) - [Recherche mémoire](/fr/concepts/memory-search)