Qdrant

ข้อมูล

Neotask บน OpenClaw เพิ่ม vector memory ให้ automation stack ผ่าน Qdrant — เก็บความรู้และดึงเนื้อหาที่คล้ายกันเชิง semantic เพื่อให้เอเจนต์เรียนรู้และจดจำเหมือนมนุษย์

• Agent memory คงอยู่และสะสม — เอเจนต์เก็บข้อมูลใน Qdrant แล้วดึงบริบทที่เกี่ยวข้องเชิง semantic ตามต้องการ
• Semantic search แทนที่ keyword lookup ที่เปราะบาง — เอเจนต์ค้นหาเนื้อหาที่เกี่ยวข้องเชิงแนวคิดแทน exact match
• Knowledge base เติบโตและยังคงมีประโยชน์ — เอกสาร การตัดสินใจ และ output ถูกเก็บใน Qdrant เมื่อเอเจนต์ทำงาน สร้าง operational memory ที่ค้นหาได้

สิ่งที่คุณทำได้

อินทิเกรชัน Qdrant ให้ Neotask 2 vector database action สำหรับเก็บและดึงข้อมูลเชิง semantic

`qdrant-store` — บันทึกเนื้อหาใดก็ได้ใน Qdrant เป็น vector embedding พร้อม metadata และ collection assignment

`qdrant-find` — ค้นหา Qdrant สำหรับเนื้อหาที่คล้ายกันเชิง semantic กับ query แล้วแสดงรายการที่เก็บไว้ที่เกี่ยวข้องที่สุด

ทุกแอ็กชันทำงานโดยอัตโนมัติหรือต้องได้รับการอนุมัติจากคุณ — คุณเป็นคนตัดสินใจ

ลองถาม

"เก็บ output ของ strategy meeting วันนี้ใน Qdrant ภายใต้ 'decisions' collection"

"ค้นหาทุกอย่างที่เก็บใน Qdrant เกี่ยวกับ pricing strategy decisions"

"ค้นหา knowledge base สำหรับเนื้อหาที่คล้ายกับ 'enterprise onboarding challenges'"

เคล็ดลับ

จับคู่ Qdrant กับทุก agent workflow ที่ผลิต output ที่มีค่า — เก็บสรุป การตัดสินใจ และงานวิจัยเพื่อให้เอเจนต์ในอนาคตดึงมาใช้ได้

ใช้ `qdrant-find` เป็น memory layer สำหรับทีมเอเจนต์หลายตัว

Collection ช่วยจัดระเบียบความรู้ตามโดเมน: แยก collection สำหรับ product decisions, customer insights, engineering patterns