diff --git a/docs/uk/concepts/memory-search.md b/docs/uk/concepts/memory-search.md
index 7f87ecf54..5a27e9485 100644
--- a/docs/uk/concepts/memory-search.md
+++ b/docs/uk/concepts/memory-search.md
@@ -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.
-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.
### 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.
-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.
### 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