AI-Profile-Router/docs/OPENCLAW_MEMORY.md

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.

{
  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:

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:

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.