ChromaDB Memory

ChromaDB Memory

Долгосрочная семантическая память на базе ChromaDB и локальных эмбеддингов Ollama. Полностью автономное решение без зависимости от облачных API.

Что это делает

• Auto-recall: перед каждым шагом агента выполняется запрос к ChromaDB на основе пользовательского сообщения, а релевантный контекст автоматически подмешивается в диалог
• Инструмент chromadb_search: ручной семантический поиск по вашей коллекции в ChromaDB
• 100% локально: Ollama (модель nomic-embed-text) используется для эмбеддингов, ChromaDB — для векторного хранения

Требования

• Запущенный ChromaDB (рекомендуется через Docker):

docker run -d --name chromadb -p 8100:8000 chromadb/chroma:latest

• Ollama с моделью эмбеддингов:

ollama pull nomic-embed-text

• Проиндексированные документы в ChromaDB (любым совместимым индексатором)

Установка

# 1. Скопируйте расширение плагина
mkdir -p ~/.openclaw/extensions/chromadb-memory
cp {baseDir}/scripts/index.ts ~/.openclaw/extensions/chromadb-memory/
cp {baseDir}/scripts/openclaw.plugin.json ~/.openclaw/extensions/chromadb-memory/

# 2. Добавьте в конфигурацию OpenClaw (~/.openclaw/openclaw.json):
{
 "plugins": {
 "entries": {
 "chromadb-memory": {
 "enabled": true,
 "config": {
 "chromaUrl": "http://localhost:8100",
 "collectionName": "longterm_memory",
 "ollamaUrl": "http://localhost:11434",
 "embeddingModel": "nomic-embed-text",
 "autoRecall": true,
 "autoRecallResults": 3,
 "minScore": 0.5
 }
 }
 }
 }
}

Как это работает

После отправки сообщения пользовательский ввод преобразуется в эмбеддинг с помощью Ollama. Затем система выполняет поиск ближайших векторов в ChromaDB и отбирает наиболее релевантные результаты по порогу схожести.

Найденные фрагменты автоматически внедряются в контекст агента в виде блока , что позволяет учитывать предыдущий опыт и знания при генерации ответа. :

Архитектура выглядит следующим образом:

Сообщение пользователя → Ollama (эмбеддинг)
→ ChromaDB (поиск)
→ Вставка контекста → Ответ агента

Настройки

• chromaUrl: адрес сервера ChromaDB
• collectionName: имя коллекции
• ollamaUrl: адрес API Ollama
• embeddingModel: модель эмбеддингов
• autoRecall: автоматическое извлечение памяти
• autoRecallResults: количество результатов
• minScore: минимальный порог схожести (0–1)

Оптимизация

• Слишком много нерелевантных данных — увеличьте minScore до 0.6–0.7
• Недостаточно контекста — уменьшите minScore или увеличьте autoRecallResults
• Только ручной режим — отключите autoRecall

Особенности

• Полностью локальная работа без облачных сервисов
• Семантический поиск по смыслу, а не по ключевым словам
• Долгосрочная память для AI-агентов
• Гибкая настройка точности и полноты результатов

Применение

• Агенты с долговременной памятью
• RAG-системы без облачных зависимостей
• Персональные ассистенты с сохранением контекста
• Корпоративные решения с требованиями к приватности