Voraussetzungen

Dieses Plugin nutzt eingebettetes Turso (@tursodatabase/database) mit F32_BLOB-Vektoren und exakter Cosinus-Suche über vector_distance_cos. Es ist keine separate Vektordatenbank und kein eigener SQLite-Build erforderlich.

Empfohlene Laufzeitumgebung:

• Bun
• Standard-OpenCode-Plugin-Umgebung
• Internetzugang beim ersten Einsatz, wenn du das Standard-Embedding-Modell lokal nutzt, weil das Modell von @huggingface/transformers heruntergeladen wird.
• Bei Quell-/Entwicklungsinstallationen vor dem Bauen oder Testen bun install ausführen. Das veröffentlichte Plugin-Paket installiert seine Laufzeitabhängigkeiten automatisch über OpenCode.

In CI getestete Plattformen: Linux, Windows sowie macOS 15 / macOS 26 auf Apple Silicon (darwin/arm64). Intel Mac (darwin/x64) wird nicht unterstützt — @tursodatabase/database und feste onnxruntime-node-Releases liefern kein natives x64-Binding. Ältere macOS-Versionen sind durch diese Matrix nicht ausgeschlossen; sie liegen lediglich außerhalb der aktuell von GitHub gehosteten Runner.

Hinweise:

• Vektor-Embeddings werden direkt in Turso gespeichert und durchsucht; Inserts speichern F32_BLOB-Vektoren für exaktes Cosinus-Ranking.
• Die Vektorsuche verwendet exakte Cosinus-Distanz über vector_distance_cos (kein DiskANN / approximativer Index), mit optionalem Keyword-Hybrid-Ranking, wenn ein Query-String angegeben ist (@tursodatabase/database liefert kein FTS5).
• Session-Lookups nutzen eine indexierte Spalte session_id (nachgezogen aus metadata.sessionID bei Schema v2).
• Auto-Capture und Lernen des Benutzerprofils erfordern einen KI-Provider, der strukturierte/Tool-Call-Ausgabe liefern kann. Speicher-Suche/Hinzufügen/Listen funktionieren auch ohne Auto-Capture-Provider-Konfiguration.

Hardware- / Ressourcenanforderungen

opencode-mem benötigt keine GPU. Lokale Embeddings laufen auf der CPU über @huggingface/transformers und ONNX (es gibt kein MLX-Backend). Zusätzlicher VRAM ist nicht nötig.

Workload	Typische zusätzliche Ressourcen
Lokale Embeddings (Standard Xenova/nomic-embed-text-v1)	Etwa 0,5–2 GB RAM, solange das Modell geladen ist, abhängig von der gewählten Hugging-Face-ID. Beim ersten Einsatz wird das Modell heruntergeladen; der Disk-Cache liegt unter {storagePath}/.cache (Standard ~/.opencode-mem/data/.cache) und beträgt oft hunderte MB bis ~1–2 GB pro Modell.
Remote-Embeddings (embeddingApiUrl + embeddingApiKey)	Vernachlässigbarer lokaler ML-RAM — nur Plugin- + Turso-Overhead.
Datenbank / Plugin	Turso/libSQL auf dem Datenträger unter storagePath. Die Größe wächst mit der Anzahl gespeicherter Memories, nicht mit GPU-Speicher.

Die oben genannten Plattformgrenzen gelten weiterhin (kein Intel Mac darwin/x64; Apple Silicon, Linux, Windows oder ein Remote-Embedding-Endpoint nutzen). Siehe Embeddings wählen / konfigurieren.