QMD：OpenClaw 的本地语义搜索解决方案

文章背景 / 问题引入

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。

核心概念解析

什么是 qmd？

qmd 是 Shopify 创始人 Tobi 做的本地运行的语义搜索引擎，基于 Rust，专为 AI Agent 设计。

GitHub 地址: https://github.com/tobi/qmd

核心功能

🔍 强大的搜索能力

搜索 markdown 笔记、会议记录、文档
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（GGUF 模型）
MCP 集成，agent 主动回忆，不用手动提醒

技术实现细节

快速开始（3 步配置，10 分钟搞定）

第 1 步：安装 qmd

bun install -g https://github.com/tobi/qmd

首次运行会自动下载模型（完全免费，本地运行）：

Embedding 模型: jina-embeddings-v3 (330MB)
Reranker 模型: jina-reranker-v2-base-multilingual (640MB)

下载完成后，完全离线运行，无需网络连接。

第 2 步：创建记忆库 + 生成 embeddings

# 进入 OpenClaw 工作目录
cd ~/clawd

# 创建记忆库（索引 memory 文件夹）
qmd collection add memory/*.md --name daily-logs

# 生成 embeddings
qmd embed daily-logs memory/*.md

# 也可以索引根目录的核心文件
qmd collection add *.md --name workspace
qmd embed workspace *.md

索引速度：12 个文件 ≈ 几秒（本地运行，不联网）

第 3 步：测试搜索

# 混合搜索（关键词 + 语义，最精准）
qmd search daily-logs "关键词" --hybrid

# 纯语义搜索
qmd search daily-logs "关键词"

# 查看所有 collections
qmd list

实测结果：混合搜索 93% 精准度，纯语义 59%。

进阶配置

MCP 集成

让 AI agent 直接调用 qmd，创建 config/mcporter.json：

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

6 个工具开箱即用

工具	功能
`query`	混合搜索（最精准）
`vsearch`	纯语义搜索
`search`	关键词搜索
`get` / `multi_get`	精准提取文档
`status`	健康检查

现在 agent 会主动"回忆"相关上下文，不再靠你手动提醒。

实战案例

场景 1：回忆用户偏好

用户问题: “Ray 的写作风格是什么？”

传统方案:

整个 MEMORY.md（2000 token）塞进 context
90% 内容无关

qmd 方案:

agent 搜索：“Ray 写作风格”
只返回相关段落（~200 token）
省 90% token，精准度更高

场景 2：跨文件知识检索

用户问题: “之前讨论过什么？”