如果你在用 OpenClaw，应该已经感受到了 token 消耗的速度——尤其 Claude 用户，没谈几轮下来就 hit limit 了。而且，很多时候 agent 塞了一堆无关信息进 context，不仅费钱，还影响精准度。

有没有办法让 agent “精准回忆”，同时完全零成本？

有。qmd —— 本地运行，免费永久，精准度 95% 以上。

什么是 qmd？

qmd 是 Shopify 创始人 Tobi 开发的本地语义搜索引擎，基于 Rust 构建，专为 AI Agent 设计。

核心特性：

  • 混合搜索：BM25 全文 + 向量语义 + LLM 重排序
  • 零 API 成本：完全本地运行，无需联网
  • MCP 集成：与 AI Agent 无缝对接

3 步配置，10 分钟搞定

第 1 步：安装 qmd

首先安装 Bun，然后执行：

bun install -g github:tobi/qmd

首次运行会自动下载模型（Embedding 和 Reranker），下载完成后即可完全离线运行。

第 2 步：创建记忆库 + 生成 Embeddings

进入 OpenClaw 工作目录，索引你的 memory 文件夹：

# 创建记忆库
qmd collection add memory --name daily-logs --mask "**/*.md"

# 生成 embeddings
qmd embed

索引速度极快，本地运行不联网。

第 3 步：测试搜索

# 混合搜索（最精准）
qmd query "关键词"

# 纯语义搜索
qmd vsearch "关键词"

进阶：MCP 集成

让 AI Agent 直接调用 qmd，在 mcporter.json 里添加配置：

{
  "mcpServers": {
    "qmd": {
      "command": "/Users/你的用户名/.bun/bin/qmd",
      "args": ["mcp"]
    }
  }
}

配置完成后，agent 会主动从历史 log 中找最相关的段落，跨文件精准回忆，不再需要手动提醒。

实际效果

场景 优化前 优化后
用户偏好回忆 整个 2000 token 的 MEMORY.md 仅返回相关的 200 token
跨文件检索 手动查找或全量加载 自动精准匹配，准确率极高

总结

如果你在用 OpenClaw 觉得 token 烧得心疼，qmd 是目前最实用的解决方案——免费、本地、精准，赶紧折腾起来！