---
read_when:
- Você quer configurar provedores de busca de memória ou modelos de embedding
- Você quer configurar o backend QMD
- Você quer ajustar a busca híbrida, o MMR ou o decaimento temporal
- Você quer ativar a indexação de memória multimodal
sidebarTitle: Memory config
summary: Todas as opções de configuração para busca na memória, provedores de embeddings, QMD, busca híbrida e indexação multimodal
title: Referência de configuração de memória
x-i18n:
generated_at: "2026-05-02T22:22:24Z"
model: gpt-5.5
provider: openai
source_hash: 99624a13b4e700da47a523206569d84c6750266fbb648ec73c463be9c5c285d0
source_path: reference/memory-config.md
workflow: 16
---
Esta página lista todos os controles de configuração para a busca de memória do OpenClaw. Para visões gerais conceituais, consulte:
Como a memória funciona.
Backend SQLite padrão.
Sidecar local-first.
Pipeline de busca e ajuste.
Subagente de memória para sessões interativas.
Todas as configurações de busca de memória ficam em `agents.defaults.memorySearch` no `openclaw.json`, salvo indicação em contrário.
Se você está procurando a alternância do recurso **active memory** e a configuração do subagente, isso fica em `plugins.entries.active-memory` em vez de `memorySearch`.
A memória ativa usa um modelo de dois gates:
1. o Plugin deve estar habilitado e mirar o ID do agente atual
2. a solicitação deve ser uma sessão de chat persistente interativa elegível
Consulte [Active Memory](/pt-BR/concepts/active-memory) para ver o modelo de ativação, a configuração pertencente ao Plugin, a persistência da transcrição e o padrão de implantação segura.
---
## Seleção do provedor
| Chave | Tipo | Padrão | Descrição |
| ---------- | --------- | ---------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| `provider` | `string` | detectado automaticamente | ID do adaptador de embedding, como `bedrock`, `deepinfra`, `gemini`, `github-copilot`, `local`, `mistral`, `ollama`, `openai` ou `voyage`; também pode ser um `models.providers.` configurado cujo `api` aponta para um desses adaptadores |
| `model` | `string` | padrão do provedor | Nome do modelo de embedding |
| `fallback` | `string` | `"none"` | ID do adaptador de fallback quando o principal falha |
| `enabled` | `boolean` | `true` | Habilita ou desabilita a busca de memória |
### Ordem de detecção automática
Quando `provider` não está definido, o OpenClaw seleciona o primeiro disponível:
Selecionado se `memorySearch.local.modelPath` estiver configurado e o arquivo existir.
Selecionado se um token do GitHub Copilot puder ser resolvido (variável de ambiente ou perfil de autenticação).
Selecionado se uma chave da OpenAI puder ser resolvida.
Selecionado se uma chave do Gemini puder ser resolvida.
Selecionado se uma chave do Voyage puder ser resolvida.
Selecionado se uma chave do Mistral puder ser resolvida.
Selecionado se uma chave do DeepInfra puder ser resolvida.
Selecionado se a cadeia de credenciais do AWS SDK for resolvida (função de instância, chaves de acesso, perfil, SSO, identidade web ou configuração compartilhada).
`ollama` é compatível, mas não é detectado automaticamente (defina explicitamente).
### IDs de provedores personalizados
`memorySearch.provider` pode apontar para uma entrada personalizada `models.providers.`. O OpenClaw resolve o proprietário `api` desse provedor para o adaptador de embedding, preservando o ID personalizado do provedor para o tratamento de endpoint, autenticação e prefixo de modelo. Isso permite que configurações com múltiplas GPUs ou múltiplos hosts dediquem embeddings de memória a um endpoint local específico:
```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",
},
},
},
}
```
### Resolução de chave de API
Embeddings remotos exigem uma chave de API. Em vez disso, o Bedrock usa a cadeia de credenciais padrão do AWS SDK (funções de instância, SSO, chaves de acesso).
| Provedor | Variável de ambiente | Chave de configuração |
| -------------- | -------------------------------------------------- | ----------------------------------- |
| Bedrock | Cadeia de credenciais da AWS | Nenhuma chave de API necessária |
| 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` | Perfil de autenticação via login por dispositivo |
| 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` |
O OAuth do Codex cobre apenas chat/conclusões e não atende a solicitações de embedding.
---
## Configuração de endpoint remoto
Para endpoints personalizados compatíveis com OpenAI ou para substituir os padrões do provedor:
URL base personalizada da API.
Substitui a chave de API.
Cabeçalhos HTTP extras (mesclados com os padrões do provedor).
```json5
{
agents: {
defaults: {
memorySearch: {
provider: "openai",
model: "text-embedding-3-small",
remote: {
baseUrl: "https://api.example.com/v1/",
apiKey: "YOUR_KEY",
},
},
},
},
}
```
---
## Configuração específica do provedor
| Chave | Tipo | Padrão | Descrição |
| ---------------------- | -------- | ---------------------- | ------------------------------------------ |
| `model` | `string` | `gemini-embedding-001` | Também oferece suporte a `gemini-embedding-2-preview` |
| `outputDimensionality` | `number` | `3072` | Para Embedding 2: 768, 1536 ou 3072 |
Alterar o modelo ou `outputDimensionality` aciona uma reindexação completa automática.
Endpoints de embedding compatíveis com OpenAI podem optar por campos de solicitação `input_type` específicos do provedor. Isso é útil para modelos de embedding assimétricos que exigem rótulos diferentes para embeddings de consulta e documento.
| Chave | Tipo | Padrão | Descrição |
| ------------------- | -------- | ------------- | ----------------------------------------------------- |
| `inputType` | `string` | não definido | `input_type` compartilhado para embeddings de consulta e documento |
| `queryInputType` | `string` | não definido | `input_type` em tempo de consulta; substitui `inputType` |
| `documentInputType` | `string` | não definido | `input_type` de índice/documento; substitui `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",
},
},
},
}
```
Alterar esses valores afeta a identidade do cache de embedding para indexação em lote do provedor e deve ser seguido por uma reindexação da memória quando o modelo upstream trata os rótulos de forma diferente.
### Configuração de embedding do Bedrock
O Bedrock usa a cadeia de credenciais padrão do AWS SDK — nenhuma chave de API é necessária. Se o OpenClaw for executado no EC2 com uma função de instância habilitada para Bedrock, basta definir o provedor e o modelo:
```json5
{
agents: {
defaults: {
memorySearch: {
provider: "bedrock",
model: "amazon.titan-embed-text-v2:0",
},
},
},
}
```
| Chave | Tipo | Padrão | Descrição |
| ---------------------- | -------- | ----------------------------- | ------------------------------- |
| `model` | `string` | `amazon.titan-embed-text-v2:0` | Qualquer ID de modelo de embedding do Bedrock |
| `outputDimensionality` | `number` | padrão do modelo | Para Titan V2: 256, 512 ou 1024 |
**Modelos compatíveis** (com detecção de família e dimensões padrão):
| ID do modelo | Provedor | Dimensões padrão | Dimensões configuráveis |
| ------------------------------------------ | ---------- | ---------------- | ----------------------- |
| `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 | -- |
Variantes com sufixo de taxa de transferência (por exemplo, `amazon.titan-embed-text-v1:2:8k`) herdam a configuração do modelo base.
**Autenticação:** a autenticação do Bedrock usa a ordem padrão de resolução de credenciais do AWS SDK:
1. Variáveis de ambiente (`AWS_ACCESS_KEY_ID` + `AWS_SECRET_ACCESS_KEY`)
2. Cache de token SSO
3. Credenciais de token de identidade web
4. Arquivos compartilhados de credenciais e configuração
5. Credenciais de metadados ECS ou EC2
A região é resolvida a partir de `AWS_REGION`, `AWS_DEFAULT_REGION`, do `baseUrl` do provedor `amazon-bedrock` ou usa `us-east-1` como padrão.
**Permissões IAM:** a função ou o usuário IAM precisa de:
```json
{
"Effect": "Allow",
"Action": "bedrock:InvokeModel",
"Resource": "*"
}
```
Para privilégio mínimo, restrinja `InvokeModel` ao modelo específico:
```
arn:aws:bedrock:*::foundation-model/amazon.titan-embed-text-v2:0
```
| Chave | Tipo | Padrão | Descrição |
| --------------------- | ------------------ | ---------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| `local.modelPath` | `string` | baixado automaticamente | Caminho para o arquivo de modelo GGUF |
| `local.modelCacheDir` | `string` | padrão do node-llama-cpp | Diretório de cache para modelos baixados |
| `local.contextSize` | `number \| "auto"` | `4096` | Tamanho da janela de contexto para o contexto de incorporação. 4096 cobre blocos típicos (128–512 tokens) enquanto limita a VRAM que não é de pesos. Reduza para 1024–2048 em hosts restritos. `"auto"` usa o máximo treinado do modelo — não recomendado para modelos 8B+ (Qwen3-Embedding-8B: 40.960 tokens → ~32 GB de VRAM contra ~8,8 GB em 4096). |
Modelo padrão: `embeddinggemma-300m-qat-Q8_0.gguf` (~0,6 GB, baixado automaticamente). Checkouts do código-fonte ainda exigem aprovação de compilação nativa: `pnpm approve-builds` e depois `pnpm rebuild node-llama-cpp`.
Use a CLI independente para verificar o mesmo caminho de provedor que o Gateway usa:
```bash
openclaw memory status --deep --agent main
openclaw memory index --force --agent main
```
Se `provider` for `auto`, `local` será selecionado apenas quando `local.modelPath` apontar para um arquivo local existente. Referências de modelo `hf:` e HTTP(S) ainda podem ser usadas explicitamente com `provider: "local"`, mas elas não fazem `auto` selecionar local antes que o modelo esteja disponível em disco.
### Tempo limite de incorporação em linha
Substitui o tempo limite para lotes de incorporação em linha durante a indexação de memória.
Quando não definido, usa o padrão do provedor: 600 segundos para provedores locais/auto-hospedados, como `local`, `ollama` e `lmstudio`, e 120 segundos para provedores hospedados. Aumente isso quando os lotes de incorporação locais limitados por CPU estiverem íntegros, mas lentos.
---
## Configuração de busca híbrida
Tudo em `memorySearch.query.hybrid`:
| Chave | Tipo | Padrão | Descrição |
| --------------------- | --------- | ------ | -------------------------------------- |
| `enabled` | `boolean` | `true` | Habilita busca híbrida BM25 + vetorial |
| `vectorWeight` | `number` | `0.7` | Peso das pontuações vetoriais (0-1) |
| `textWeight` | `number` | `0.3` | Peso das pontuações BM25 (0-1) |
| `candidateMultiplier` | `number` | `4` | Multiplicador do tamanho do conjunto de candidatos |
| Chave | Tipo | Padrão | Descrição |
| ------------- | --------- | ------- | ------------------------------------------ |
| `mmr.enabled` | `boolean` | `false` | Habilita reclassificação por MMR |
| `mmr.lambda` | `number` | `0.7` | 0 = diversidade máx., 1 = relevância máx. |
| Chave | Tipo | Padrão | Descrição |
| ---------------------------- | --------- | ------ | --------------------------------- |
| `temporalDecay.enabled` | `boolean` | `false` | Habilita reforço por recentidade |
| `temporalDecay.halfLifeDays` | `number` | `30` | A pontuação é reduzida pela metade a cada N dias |
Arquivos perenes (`MEMORY.md`, arquivos sem data em `memory/`) nunca sofrem decaimento.
### Exemplo completo
```json5
{
agents: {
defaults: {
memorySearch: {
query: {
hybrid: {
vectorWeight: 0.7,
textWeight: 0.3,
mmr: { enabled: true, lambda: 0.7 },
temporalDecay: { enabled: true, halfLifeDays: 30 },
},
},
},
},
},
}
```
---
## Caminhos de memória adicionais
| Chave | Tipo | Descrição |
| ------------ | ---------- | ---------------------------------------------- |
| `extraPaths` | `string[]` | Diretórios ou arquivos adicionais para indexar |
```json5
{
agents: {
defaults: {
memorySearch: {
extraPaths: ["../team-docs", "/srv/shared-notes"],
},
},
},
}
```
Os caminhos podem ser absolutos ou relativos ao workspace. Diretórios são varridos recursivamente em busca de arquivos `.md`. O tratamento de symlinks depende do backend ativo: o mecanismo integrado ignora symlinks, enquanto o QMD segue o comportamento do scanner QMD subjacente.
Para busca de transcrições entre agentes com escopo de agente, use `agents.list[].memorySearch.qmd.extraCollections` em vez de `memory.qmd.paths`. Essas coleções extras seguem o mesmo formato `{ path, name, pattern? }`, mas são mescladas por agente e podem preservar nomes compartilhados explícitos quando o caminho aponta para fora do workspace atual. Se o mesmo caminho resolvido aparecer em `memory.qmd.paths` e `memorySearch.qmd.extraCollections`, o QMD mantém a primeira entrada e pula a duplicata.
---
## Memória multimodal (Gemini)
Indexe imagens e áudio junto com Markdown usando Gemini Embedding 2:
| Chave | Tipo | Padrão | Descrição |
| ------------------------- | ---------- | ---------- | -------------------------------------- |
| `multimodal.enabled` | `boolean` | `false` | Habilita indexação multimodal |
| `multimodal.modalities` | `string[]` | -- | `["image"]`, `["audio"]` ou `["all"]` |
| `multimodal.maxFileBytes` | `number` | `10000000` | Tamanho máximo de arquivo para indexação |
Aplica-se somente a arquivos em `extraPaths`. As raízes de memória padrão permanecem apenas em Markdown. Requer `gemini-embedding-2-preview`. `fallback` deve ser `"none"`.
Formatos compatíveis: `.jpg`, `.jpeg`, `.png`, `.webp`, `.gif`, `.heic`, `.heif` (imagens); `.mp3`, `.wav`, `.ogg`, `.opus`, `.m4a`, `.aac`, `.flac` (áudio).
---
## Cache de embeddings
| Chave | Tipo | Padrão | Descrição |
| ------------------ | --------- | ------- | ---------------------------------- |
| `cache.enabled` | `boolean` | `false` | Armazena embeddings de chunks em SQLite |
| `cache.maxEntries` | `number` | `50000` | Máximo de embeddings em cache |
Impede a regeração de embeddings de texto inalterado durante reindexação ou atualizações de transcrições.
---
## Indexação em lote
| Chave | Tipo | Padrão | Descrição |
| ----------------------------- | --------- | ------ | ------------------------------ |
| `remote.nonBatchConcurrency` | `number` | `4` | Embeddings inline paralelos |
| `remote.batch.enabled` | `boolean` | `false` | Habilita API de embedding em lote |
| `remote.batch.concurrency` | `number` | `2` | Jobs em lote paralelos |
| `remote.batch.wait` | `boolean` | `true` | Aguarda a conclusão do lote |
| `remote.batch.pollIntervalMs` | `number` | -- | Intervalo de sondagem |
| `remote.batch.timeoutMinutes` | `number` | -- | Timeout do lote |
Disponível para `openai`, `gemini` e `voyage`. O lote da OpenAI costuma ser o mais rápido e barato para grandes preenchimentos retroativos.
`remote.nonBatchConcurrency` controla chamadas de embedding inline usadas por provedores locais/auto-hospedados e provedores hospedados quando APIs de lote do provedor não estão ativas. O Ollama usa `1` por padrão para indexação sem lote para evitar sobrecarregar hosts locais menores; defina um valor maior em máquinas mais robustas.
Isso é separado de `sync.embeddingBatchTimeoutSeconds`, que controla o timeout para chamadas de embedding inline.
---
## Busca na memória de sessão (experimental)
Indexa transcrições de sessão e as expõe via `memory_search`:
| Chave | Tipo | Padrão | Descrição |
| ----------------------------- | ---------- | ----------- | -------------------------------------------- |
| `experimental.sessionMemory` | `boolean` | `false` | Habilita a indexação de sessões |
| `sources` | `string[]` | `["memory"]` | Adicione `"sessions"` para incluir transcrições |
| `sync.sessions.deltaBytes` | `number` | `100000` | Limite de bytes para reindexação |
| `sync.sessions.deltaMessages` | `number` | `50` | Limite de mensagens para reindexação |
A indexação de sessões é opcional e executa de forma assíncrona. Os resultados podem estar ligeiramente desatualizados. Os logs de sessão ficam no disco, então trate o acesso ao sistema de arquivos como o limite de confiança.
---
## Aceleração vetorial do SQLite (sqlite-vec)
| Chave | Tipo | Padrão | Descrição |
| ---------------------------- | --------- | ------- | -------------------------------------- |
| `store.vector.enabled` | `boolean` | `true` | Usa sqlite-vec para consultas vetoriais |
| `store.vector.extensionPath` | `string` | bundled | Substitui o caminho do sqlite-vec |
Quando sqlite-vec está indisponível, o OpenClaw recorre automaticamente à similaridade de cosseno em processo.
---
## Armazenamento do índice
| Chave | Tipo | Padrão | Descrição |
| --------------------- | -------- | ------------------------------------- | ---------------------------------------------- |
| `store.path` | `string` | `~/.openclaw/memory/{agentId}.sqlite` | Local do índice (compatível com token `{agentId}`) |
| `store.fts.tokenizer` | `string` | `unicode61` | Tokenizador FTS5 (`unicode61` ou `trigram`) |
---
## Configuração do backend QMD
Defina `memory.backend = "qmd"` para habilitar. Todas as configurações de QMD ficam em `memory.qmd`:
| Chave | Tipo | Padrão | Descrição |
| ------------------------ | --------- | -------- | -------------------------------------------------------------------------------------- |
| `command` | `string` | `qmd` | Caminho do executável QMD; defina um caminho absoluto quando o `PATH` do serviço diferir do seu shell |
| `searchMode` | `string` | `search` | Comando de busca: `search`, `vsearch`, `query` |
| `includeDefaultMemory` | `boolean` | `true` | Indexa automaticamente `MEMORY.md` + `memory/**/*.md` |
| `paths[]` | `array` | -- | Caminhos extras: `{ name, path, pattern? }` |
| `sessions.enabled` | `boolean` | `false` | Indexa transcrições de sessão |
| `sessions.retentionDays` | `number` | -- | Retenção de transcrições |
| `sessions.exportDir` | `string` | -- | Diretório de exportação |
`searchMode: "search"` é apenas lexical/BM25. O OpenClaw não executa sondagens de prontidão de vetores semânticos nem manutenção de embeddings do QMD para esse modo, inclusive durante `memory status --deep`; `vsearch` e `query` continuam exigindo prontidão de vetores e embeddings do QMD.
O OpenClaw prefere a coleção atual do QMD e os formatos de consulta MCP, mas mantém versões antigas do QMD funcionando ao tentar flags de padrão de coleção compatíveis e nomes de ferramentas MCP mais antigos quando necessário. Quando o QMD anuncia suporte a vários filtros de coleção, coleções da mesma origem são pesquisadas com um único processo do QMD; builds antigos do QMD mantêm o caminho de compatibilidade por coleção. Mesma origem significa que coleções de memória durável são agrupadas, enquanto coleções de transcrições de sessão permanecem em um grupo separado para que a diversificação de origem ainda tenha ambas as entradas.
Substituições de modelo do QMD permanecem no lado do QMD, não na configuração do OpenClaw. Se você precisar substituir globalmente os modelos do QMD, defina variáveis de ambiente como `QMD_EMBED_MODEL`, `QMD_RERANK_MODEL` e `QMD_GENERATE_MODEL` no ambiente de runtime do gateway.
| Chave | Tipo | Padrão | Descrição |
| ------------------------- | --------- | ------- | ------------------------------------- |
| `update.interval` | `string` | `5m` | Intervalo de atualização |
| `update.debounceMs` | `number` | `15000` | Aplica debounce a alterações de arquivos |
| `update.onBoot` | `boolean` | `true` | Atualiza quando o gerenciador QMD de longa duração abre; também controla a atualização de inicialização opcional |
| `update.startup` | `string` | `off` | Atualização opcional ao iniciar o gateway: `off`, `idle` ou `immediate` |
| `update.startupDelayMs` | `number` | `120000` | Atraso antes da execução da atualização `startup: "idle"` |
| `update.waitForBootSync` | `boolean` | `false` | Bloqueia a abertura do gerenciador até que a atualização inicial seja concluída |
| `update.embedInterval` | `string` | -- | Cadência separada de embed |
| `update.commandTimeoutMs` | `number` | -- | Timeout para comandos QMD |
| `update.updateTimeoutMs` | `number` | -- | Timeout para operações de atualização do QMD |
| `update.embedTimeoutMs` | `number` | -- | Timeout para operações de embed do QMD |
| Chave | Tipo | Padrão | Descrição |
| ------------------------- | -------- | ------ | ----------------------------- |
| `limits.maxResults` | `number` | `6` | Máximo de resultados de busca |
| `limits.maxSnippetChars` | `number` | -- | Limita o tamanho do snippet |
| `limits.maxInjectedChars` | `number` | -- | Limita o total de caracteres injetados |
| `limits.timeoutMs` | `number` | `4000` | Timeout de busca |
Controla quais sessões podem receber resultados de busca QMD. Mesmo esquema de [`session.sendPolicy`](/pt-BR/gateway/config-agents#session):
```json5
{
memory: {
qmd: {
scope: {
default: "deny",
rules: [{ action: "allow", match: { chatType: "direct" } }],
},
},
},
}
```
O padrão entregue permite sessões diretas e de canal, enquanto ainda nega grupos.
O padrão é apenas DM. `match.keyPrefix` corresponde à chave de sessão normalizada; `match.rawKeyPrefix` corresponde à chave bruta incluindo `agent::`.
`memory.citations` se aplica a todos os backends:
| Valor | Comportamento |
| ---------------- | ------------------------------------------------- |
| `auto` (padrão) | Inclui rodapé `Source: ` nos snippets |
| `on` | Sempre inclui rodapé |
| `off` | Omite rodapé (o caminho ainda é passado ao agente internamente) |
Atualizações de boot do QMD usam um caminho de subprocesso único durante a inicialização do gateway. O gerenciador QMD de longa duração ainda é responsável pelo observador de arquivos regular e pelos temporizadores de intervalo quando a busca de memória é aberta para uso interativo.
### Exemplo completo de QMD
```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 é configurado em `plugins.entries.memory-core.config.dreaming`, não em `agents.defaults.memorySearch`.
Dreaming executa uma única varredura agendada e usa fases internas leve/profunda/REM como detalhe de implementação.
Para comportamento conceitual e comandos de barra, consulte [Dreaming](/pt-BR/concepts/dreaming).
### Configurações de usuário
| Chave | Tipo | Padrão | Descrição |
| ----------- | --------- | ------------ | ---------------------------------------------- |
| `enabled` | `boolean` | `false` | Ativa ou desativa dreaming completamente |
| `frequency` | `string` | `0 3 * * *` | Cadência cron opcional para a varredura completa de dreaming |
| `model` | `string` | modelo padrão | Substituição opcional do modelo do subagente Dream Diary |
### Exemplo
```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 grava estado de máquina em `memory/.dreams/`.
- Dreaming grava saída narrativa legível por humanos em `DREAMS.md` (ou no `dreams.md` existente).
- `dreaming.model` usa o gate de confiança de subagente de Plugin existente; defina `plugins.entries.memory-core.subagent.allowModelOverride: true` antes de ativá-lo.
- Dream Diary tenta novamente uma vez com o modelo padrão da sessão quando o modelo configurado não está disponível. Falhas de confiança ou allowlist são registradas e não são repetidas silenciosamente.
- A política e os limites das fases leve/profunda/REM são comportamento interno, não configuração voltada ao usuário.
## Relacionados
- [Referência de configuração](/pt-BR/gateway/configuration-reference)
- [Visão geral de memória](/pt-BR/concepts/memory)
- [Busca de memória](/pt-BR/concepts/memory-search)