OpenClaw中记忆海马体：QMD

OpenClaw（前Clawdbot/Moltbot）的 qmd 记忆管理 是目前社区里讨论最多、最有特色的本地持久化记忆方案之一。

它本质上是一个 “文件优先 + 向量检索” 的混合记忆系统，而不是传统RAG数据库或KV缓存那一套。

核心设计理念

记忆 = 纯 Markdown 文件（人类可读、可 git 版本控制、可手动编辑）

不依赖任何专有数据库格式、不需要额外的 memory upsert API、Agent 直接用 写文件工具 就把记忆写到硬盘。读取/搜索靠 语义向量检索 + 文件系统。

这套设计，让记忆具有几个属性：

永久：重启、换电脑、过半年都还在（只要硬盘不坏）

无限容量：理论上只受硬盘限制

完全可控：你随时可以用 VSCode / Obsidian 打开改、删、整理

可迁移 / 可备份：直接复制整个 workspace 文件夹就行

典型的物理文件结构

默认 workspace 路径 ~/openclaw/ 或 ~/.openclaw/

两层记忆的分工

第1层（短期/原始）

文件为memory/YYYY-MM-DD.md，记录当天的原始对话、事实、待办及粗糙记录；

写入时机为几乎实时写、会话结束时批量写，单文件长度建议几千~2w字，主要作用是提供完整历史与时间线。

第2层（长期/精华）

文件为MEMORY.md，记录提炼后的知识、规则、用户偏好、重大结论及项目状态；

写入时机为重大事件发生时、每天/每周总结、用户手动补充，整体长度控制在8000~15000字，核心作用是几乎每个请求都会加载，为决策提供核心依据。

有些高手会再加第三层：PROJECT.md / PROJECTS/ 放具体项目知识，但主流还是双层。

qmd 到底是什么？

qmd 是 OpenClaw 社区对 “Quick Memory Database” 或类似向量化模块的俗称（不是官方命名，但到处都在用这个词）。

它主要是自动/手动建立向量索引。监听 memory/*.md 和 MEMORY.md 的变化，把新内容切块（chunk，通常 300–800 token 一块）。

然后用 embedding 模型（openai/text-embedding-3-small、bge-large-zh-v1.5、本地nomic-embed-text 等）生成向量，存进 sqlite + HNSW（或 faiss、usearch 等）

它给 Agent 提供的两个核心工具memory_search(query, limit=8, min_score=0.22)，返回最相似的 topK 文本块 + 文件路径 + 行号范围 + 相似度

memory_get(path, start_line, line_count)，用来精确读取某段文件内容（防越权）

Agent 在几乎所有需要“回想”的场景下，都会先调用 memory_search，再根据需要 memory_get 拉完整内容。

写入策略，全部由提示词控制，而不是硬编码。

主要看这些文件：

AGENTS.md 中的 <memory_write_strategy> 或类似段落，用prompt 解锁长期记忆

当出现以下情况时，主动把关键信息写入对应层：

• 用户明确说“记住”“记下来”“以后要用” → 写 memory/当天.md + 考虑是否提炼到 MEMORY.md

• 完成一个重要项目阶段/决定/用户偏好改变 → 提炼后追加到 MEMORY.md

• 每天对话结束前，做一次总结 → 写 memory/当天.md

• 发现 MEMORY.md 太长（>15000字） → 触发 compaction（压缩/提炼）

OpenClaw 的记忆系统之所以强，是因为它把“记忆”从黑盒变成了你硬盘上的一堆可编辑 Markdown 文件，同时又用向量检索让 AI 能快速找到需要的东西。

---

原文链接：https://mp.weixin.qq.com/s/A6_RryLjuqeypXEdbm5hQQ

来源：XT