Ga naar inhoud
opencode-memHome

Vereisten

Deze plugin gebruikt embedded Turso (@tursodatabase/database) met F32_BLOB-vectoren en exacte cosinuszoekopdrachten via vector_distance_cos. Er is geen aparte vectordatabase of aangepaste SQLite-build vereist.

Aanbevolen runtime:

  • Bun
  • Standaard OpenCode-pluginomgeving
  • Internettoegang bij eerste gebruik als je het standaard lokale embeddingmodel gebruikt, omdat het model wordt gedownload door @huggingface/transformers.
  • Voor bron-/ontwikkelingsinstallaties: voer bun install uit vóór het bouwen of testen. Het gepubliceerde pluginpakket installeert zijn runtime-afhankelijkheden automatisch via OpenCode.

CI-geteste platforms: Linux, Windows en macOS 15 / macOS 26 op Apple Silicon (darwin/arm64). Intel Mac (darwin/x64) wordt niet ondersteund — @tursodatabase/database en vaste onnxruntime-node-releases leveren geen x64 native binding. Oudere macOS-releases zijn niet uitgesloten door die matrix; ze vallen simpelweg buiten de huidige set GitHub-hosted runners.

Opmerkingen:

  • Vector-embeddings worden direct in Turso opgeslagen en doorzocht; inserts slaan F32_BLOB-vectoren op voor exacte cosinusranking.
  • Vectorzoekopdrachten gebruiken exacte cosinusafstand via vector_distance_cos (geen DiskANN / approximatieve index), met optionele keyword-hybrid ranking wanneer een querystring wordt meegegeven (@tursodatabase/database levert geen FTS5).
  • Sessieopzoekingen gebruiken een geïndexeerde session_id-kolom (teruggevuld vanuit metadata.sessionID op schema v2).
  • Auto-capture en gebruikersprofiel-leren vereisen een AI-provider die structured/tool-call-output kan teruggeven. Memory search/add/list werken nog steeds zonder auto-capture-providerconfiguratie.

Hardware- / resourceverwachtingen

Section titled “Hardware- / resourceverwachtingen”

opencode-mem vereist geen GPU. Lokale embeddings draaien op de CPU via @huggingface/transformers en ONNX (er is geen MLX-backend). Extra VRAM is niet nodig.

Workload Typische extra resources
Lokale embeddings (standaard Xenova/nomic-embed-text-v1) Ongeveer 0,5–2 GB RAM terwijl het model geladen is, afhankelijk van de Hugging Face-id die je kiest. Bij eerste gebruik wordt het model gedownload; de schijfcache staat onder {storagePath}/.cache (standaard ~/.opencode-mem/data/.cache) en is vaak honderden MB tot ~1–2 GB per model.
Remote embeddings (embeddingApiUrl + embeddingApiKey) Verwaarloosbare lokale ML-RAM — alleen plugin- + Turso-overhead.
Database / plugin Turso/libSQL op schijf onder storagePath. De grootte groeit met het aantal opgeslagen herinneringen, niet met GPU-geheugen.

Bovenstaande platformbeperkingen blijven gelden (geen Intel Mac darwin/x64; gebruik Apple Silicon, Linux, Windows of een remote embedding-endpoint). Zie Embeddings kiezen / configureren.