chore(i18n): refresh uk translations

This commit is contained in:
openclaw-docs-i18n[bot] 2026-04-12 17:38:11 +00:00
parent a86a754a78
commit b7d3fe0cd3

View File

@ -1,15 +1,15 @@
---
read_when:
- Ви хочете зрозуміти, як працює memory_search
- Ви хочете вибрати постачальника ембедингів
- Ви хочете вибрати провайдера ембедингів
- Ви хочете налаштувати якість пошуку
summary: Як пошук у пам’яті знаходить релевантні нотатки за допомогою ембедингів і гібридного пошуку
title: Пошук у пам’яті
x-i18n:
generated_at: "2026-04-09T16:29:07Z"
generated_at: "2026-04-12T17:37:53Z"
model: gpt-5.4
provider: openai
source_hash: ca0237f4f1ee69dcbfb12e6e9527a53e368c0bf9b429e506831d4af2f3a3ac6f
source_hash: 71fde251b7d2dc455574aa458e7e09136f30613609ad8dafeafd53b2729a0310
source_path: concepts/memory-search.md
workflow: 15
---
@ -17,14 +17,13 @@ x-i18n:
# Пошук у пам’яті
`memory_search` знаходить релевантні нотатки з ваших файлів пам’яті, навіть коли
формулювання відрізняється від початкового тексту. Це працює шляхом індексації
пам’яті на невеликі фрагменти та їх пошуку за допомогою ембедингів, ключових
слів або обох підходів.
формулювання відрізняється від оригінального тексту. Він працює, індексуючи пам’ять у малі
фрагменти та шукаючи їх за допомогою ембедингів, ключових слів або обох способів.
## Швидкий старт
Якщо у вас налаштовано API-ключ OpenAI, Gemini, Voyage або Mistral, пошук у
пам’яті працює автоматично. Щоб явно вказати постачальника:
Якщо у вас налаштовано API-ключ OpenAI, Gemini, Voyage або Mistral, пошук у пам’яті
працює автоматично. Щоб явно вказати провайдера:
```json5
{
@ -41,17 +40,17 @@ x-i18n:
Для локальних ембедингів без API-ключа використовуйте `provider: "local"` (потрібен
node-llama-cpp).
## Підтримувані постачальники
## Підтримувані провайдери
| Постачальник | ID | Потрібен API-ключ | Примітки |
| ------------ | --------- | ----------------- | ---------------------------------------------------- |
| OpenAI | `openai` | Так | Визначається автоматично, швидко |
| Gemini | `gemini` | Так | Підтримує індексацію зображень/аудіо |
| Voyage | `voyage` | Так | Визначається автоматично |
| Mistral | `mistral` | Так | Визначається автоматично |
| Bedrock | `bedrock` | Ні | Визначається автоматично, коли доступний ланцюжок облікових даних AWS |
| Ollama | `ollama` | Ні | Локально, потрібно вказати явно |
| Local | `local` | Ні | Модель GGUF, завантаження ~0,6 ГБ |
| Провайдер | ID | Потрібен API-ключ | Примітки |
| --------- | --------- | ----------------- | ---------------------------------------------------- |
| OpenAI | `openai` | Так | Визначається автоматично, швидко |
| Gemini | `gemini` | Так | Підтримує індексацію зображень/аудіо |
| Voyage | `voyage` | Так | Визначається автоматично |
| Mistral | `mistral` | Так | Визначається автоматично |
| Bedrock | `bedrock` | Ні | Визначається автоматично, коли доступний ланцюжок облікових даних AWS |
| Ollama | `ollama` | Ні | Локально, потрібно вказати явно |
| Local | `local` | Ні | Модель GGUF, завантаження ~0.6 ГБ |
## Як працює пошук
@ -59,22 +58,23 @@ OpenClaw запускає два шляхи пошуку паралельно т
```mermaid
flowchart LR
Q["Запит"] --> E["Ембединг"]
Q --> T["Токенізація"]
E --> VS["Векторний пошук"]
T --> BM["Пошук BM25"]
VS --> M["Зважене об’єднання"]
Q["Query"] --> E["Embedding"]
Q --> T["Tokenize"]
E --> VS["Vector Search"]
T --> BM["BM25 Search"]
VS --> M["Weighted Merge"]
BM --> M
M --> R["Найкращі результати"]
M --> R["Top Results"]
```
- **Векторний пошук** знаходить нотатки зі схожим змістом ("gateway host" відповідає
"машина, на якій працює OpenClaw").
"the machine running OpenClaw").
- **Пошук за ключовими словами BM25** знаходить точні збіги (ID, рядки помилок, ключі
конфігурації).
Якщо доступний лише один шлях (немає ембедингів або немає FTS), окремо
працює лише він.
Якщо доступний лише один шлях (немає ембедингів або немає FTS), інший працює самостійно.
Коли ембединги недоступні, OpenClaw усе одно використовує лексичне ранжування за результатами FTS замість того, щоб повертатися лише до сирого впорядкування за точним збігом. У цьому деградованому режимі підвищується вага фрагментів із кращим покриттям термінів запиту та релевантними шляхами до файлів, що зберігає корисну повноту навіть без `sqlite-vec` або провайдера ембедингів.
## Поліпшення якості пошуку
@ -82,25 +82,23 @@ flowchart LR
### Часове згасання
Старі нотатки поступово втрачають вагу в ранжуванні, тож новіша інформація
показується першою. Із типовим періодом напіврозпаду 30 днів нотатка з
минулого місяця матиме 50% своєї початкової ваги. Для постійно актуальних
файлів, таких як `MEMORY.md`, згасання ніколи не застосовується.
Старі нотатки поступово втрачають вагу в ранжуванні, тому новіша інформація з’являється першою.
За стандартного періоду напіврозпаду 30 днів нотатка з минулого місяця матиме 50% від
своєї початкової ваги. Для постійно актуальних файлів, таких як `MEMORY.md`, згасання ніколи не застосовується.
<Tip>
Увімкніть часове згасання, якщо ваш агент має щоденні нотатки за багато місяців
і застаріла інформація постійно випереджає свіжий контекст.
Увімкніть часове згасання, якщо ваш агент має місяці щоденних нотаток і застаріла
інформація постійно випереджає новіший контекст.
</Tip>
### MMR (різноманітність)
Зменшує кількість дубльованих результатів. Якщо п’ять нотаток згадують ту саму
конфігурацію роутера, MMR гарантує, що найкращі результати охоплюватимуть різні
теми замість повторів.
Зменшує кількість повторюваних результатів. Якщо п’ять нотаток згадують ту саму конфігурацію роутера, MMR
гарантує, що верхні результати охоплюватимуть різні теми, а не повторюватимуться.
<Tip>
Увімкніть MMR, якщо `memory_search` постійно повертає майже дубльовані фрагменти
з різних щоденних нотаток.
Увімкніть MMR, якщо `memory_search` постійно повертає майже дубльовані фрагменти з
різних щоденних нотаток.
</Tip>
### Увімкнути обидва
@ -124,31 +122,30 @@ flowchart LR
## Мультимодальна пам’ять
З Gemini Embedding 2 ви можете індексувати зображення й аудіофайли разом із
Markdown. Пошукові запити залишаються текстовими, але вони зіставляються з
візуальним і аудіовмістом. Див. [довідник із конфігурації пам’яті](/uk/reference/memory-config)
для налаштування.
З Gemini Embedding 2 ви можете індексувати зображення та аудіофайли разом із
Markdown. Пошукові запити залишаються текстовими, але вони зіставляються з візуальним та аудіовмістом. Див. [довідник із конфігурації пам’яті](/uk/reference/memory-config) для
налаштування.
## Пошук у пам’яті сеансів
## Пошук у пам’яті сеансу
За бажанням ви можете індексувати стенограми сеансів, щоб `memory_search` міг
згадувати попередні розмови. Це вмикається вручну через
Ви можете додатково індексувати транскрипти сеансів, щоб `memory_search` міг згадувати
попередні розмови. Це функція з явним увімкненням через
`memorySearch.experimental.sessionMemory`. Докладніше див. у
[довіднику з конфігурації](/uk/reference/memory-config).
## Усунення неполадок
## Усунення несправностей
**Немає результатів?** Виконайте `openclaw memory status`, щоб перевірити індекс. Якщо він порожній, виконайте
`openclaw memory index --force`.
**Лише збіги за ключовими словами?** Можливо, ваш постачальник ембедингів не налаштований. Перевірте
**Лише збіги за ключовими словами?** Можливо, ваш провайдер ембедингів не налаштований. Перевірте
`openclaw memory status --deep`.
**Текст CJK не знаходиться?** Перебудуйте FTS-індекс за допомогою
**Текст CJK не знаходиться?** Перебудуйте індекс FTS за допомогою
`openclaw memory index --force`.
## Додаткові матеріали
- [Активна пам’ять](/uk/concepts/active-memory) -- пам’ять субагента для інтерактивних сеансів чату
- [Active Memory](/uk/concepts/active-memory) -- пам’ять субагента для інтерактивних чат-сеансів
- [Пам’ять](/uk/concepts/memory) -- структура файлів, бекенди, інструменти
- [Довідник із конфігурації пам’яті](/uk/reference/memory-config) -- усі параметри конфігурації