# OpenClaw Memory über Athena

Stand: **21. September 2026**

OpenClaw verwendet für seine Memory-Suche einen eigenen, dauerhaft laufenden
Embedding-Dienst auf Athena. Der Chat-Router auf Port 8081 bleibt unverändert;
Embeddings laufen getrennt auf Port 8082.

## Aufbau

- Container: `mike-ai-embedding`
- Modell: `ggml-org/embeddinggemma-300m-qat-q8_0-GGUF`, Q8_0
- Datei: `/data/models/embeddinggemma/embeddinggemma-300m-qat-Q8_0.gguf`
- SHA-256: `6fa0c02a9c302be6f977521d399b4de3a46310a4f2621ee0063747881b673f67`
- Laufzeit: eigener, auf Athenas CPU nativ optimierter CPU-only-Build von
  llama.cpp ohne CUDA-Abhängigkeit, zusätzlich erzwungen durch
  `--n-gpu-layers 0`
- API: `http://192.168.1.212:8082/v1/embeddings`
- Zugriff: privater WireGuard-Netzwerk-Namespace; kein öffentlicher Host-Port
- Ergebnisdimension: 768
- vier CPU-Slots mit insgesamt 4096 Kontexttoken
- logische Batchgröße 4096 und physische Micro-Batchgröße 1024; damit passen
  auch größere OpenClaw-Memory-Chunks in einen Slot und mehrere Chunks werden
  beim Indexaufbau gemeinsam verarbeitet

Der Dienst benötigt im Leerlauf rund 86 MiB und während eines vollständigen
Indexaufbaus rund 1,1 GiB RAM. Die abschließende Netzwerkprobe von Unraid aus
lag bei 0,044 Sekunden. Ein Betrieb auf der RTX 3060
wurde verworfen: Im Ultra-Profil blieben nur 372 MB VRAM Reserve, während der
Zeitgewinn lediglich rund 0,06 Sekunden betrug.

## OpenClaw-Konfiguration

OpenClaw nutzt den offiziellen generischen Anbieter `openai-compatible`. Die
bestehenden Quellen-, Scope- und Chunking-Einstellungen unter `memory.search`
bleiben dabei erhalten.

```json5
{
  memory: {
    search: {
      provider: "openai-compatible",
      model: "embeddinggemma",
      fallback: "none",
      remote: {
        baseUrl: "http://192.168.1.212:8082/v1",
        apiKey: "local"
      }
    }
  }
}
```

`local` ist hier nur ein nicht geheimes Kompatibilitätskennwort. Der Dienst
liegt im privaten VPN und llama.cpp verlangt selbst keinen Schlüssel.

## Prüfung

Auf Athena:

```bash
docker inspect -f '{{.State.Health.Status}}' mike-ai-embedding
docker exec mike-ai-embedding curl -fsS \
  -H 'Content-Type: application/json' \
  -d '{"model":"embeddinggemma","input":["Athena Speicherprobe"]}' \
  http://127.0.0.1:8082/v1/embeddings
```

Auf Unraid:

```bash
docker exec OpenClaw openclaw memory status --deep --agent main
docker exec OpenClaw openclaw memory index --force --agent main
docker exec OpenClaw openclaw memory search --agent main "GPU-Aufteilung"
```

Nach einem Wechsel von Anbieter oder Modell muss der Index ausdrücklich neu
aufgebaut werden. OpenClaw erledigt das absichtlich nicht still im Hintergrund.
Der produktive Neuaufbau am 21. September umfasste 107 Dateien und 1.139
Chunks. Danach meldete OpenClaw `dirty: false`, einen vollständigen
768-dimensionalen Vektorindex, aktive semantische Suche und eine erfolgreiche
Anbieterprobe. Eine Suchprobe lieferte drei Treffer.

## Wiederherstellung

Der Athena-Installer lädt das Modell anhand der fest hinterlegten URL und
Prüfsumme. Danach startet `./manage.sh deploy core` den Embedding-Dienst mit.
Auf Unraid werden die vier oben dokumentierten `memory.search`-Werte gesetzt
und anschließend der Index erzwungen neu aufgebaut. Weder API-Schlüssel noch
Memory-Inhalte liegen in diesem Git-Repository.