Qdrant

Данные и аналитика

Neotask на OpenClaw добавляет векторную память в ваш стек автоматизации через Qdrant — сохраняя информацию семантически и получая её по смыслу, давая агентам постоянную долгосрочную память.

• Память агентов сохраняется и накапливается — агент сохраняет информацию в Qdrant и получает контекстно-релевантные воспоминания при последующих запросах
• Семантический поиск выполняется по значению, а не по ключевым словам — агент находит релевантные хранимые знания, даже когда точные термины не совпадают
• Базы знаний масштабируются без ухудшения производительности поиска — Qdrant обрабатывает миллиарды векторов с низкими задержками

Что вы можете делать

Интеграция Qdrant даёт Neotask 2 действия для хранения и получения векторов.

`qdrant-store` — сохранить любое содержимое в Qdrant как векторный эмбеддинг с метаданными и назначением коллекции

`qdrant-find` — поиск в Qdrant контента, семантически похожего на запрос, возвращая наиболее релевантные сохранённые фрагменты

Каждое действие выполняется автономно или требует вашего одобрения — вы решаете.

Попробуйте спросить

«Сохрани эту сводку встречи в базу знаний команды»

«Найди всё, что мы сохранили о стратегии ценообразования»

«Получи наиболее релевантные заметки о подходе клиента к внедрению»

«Ищи в нашей документации по продукту информацию о функциях аутентификации»

Советы профессионалов

Используй разные коллекции для разных типов знаний: отдельно для заметок встреч, решений по продукту, технической документации

Qdrant + агенты = персистентная память предприятия: агенты могут хранить и получать знания по задачам и сессиям

Семантический поиск особенно ценен для неструктурированного текста: описывай концепцию, а не запоминай точные фразы