怒省 1 亿 Token！OpenClaw 本地记忆检索实战：从 60 秒超时到 0.5 秒响应的优雅降级

让 AI 记住一切，不需要昂贵的远程 API，也不需要复杂的 MCP 协议。有时候，最原始的方式，反而最优雅。

一、AI 的"失忆症"：当模型记不住你说过的话

2026 年 3 月 2 日上午，一个看似平常的问题暴露了大模型的致命缺陷：

用户：“墨守 001 的核心铁律是什么？”

AI：（沉默 60 秒，消耗 2000+ tokens 检索历史）“抱歉，我没有找到相关信息…”

这不是 AI 变笨了，而是远程记忆检索的代价太高：

• 每次对话需要加载 2000+ tokens 历史上下文
• 响应时间 60 秒+，用户早已失去耐心
• Token 消耗巨大，API 额度蹭蹭掉

痛点：AI 不是记不住，而是"想"起来太慢、太贵。

[📷 截图提示：展示 OpenClaw 默认 MCP 检索的耗时日志，突出 60 秒超时]

二、性能对比：远程 MCP vs 本地 QMD

关键发现：

• 性能提升：120 倍（60 秒 → 0.5 秒）
• Token 节省：100%（2000+ → 0）
• 部署时间：5 分钟 vs 30 分钟

[📷 截图提示：性能对比柱状图，突出 120 倍提升]

三、QMD 是什么？

QMD（Query Memory Database）是一个本地 CLI 工具，专为 AI 记忆检索设计：

• 直接读取 Markdown 文件
• 支持混合搜索（关键词 + 语义）
• 零网络依赖，完全离线
• 响应时间 < 0.5 秒

核心理念：让 AI 的记忆回归本地，拒绝远程 API 的延迟和成本。

四、部署实战：5 分钟完成集成

步骤 1：安装 QMD

npm install -g qmd

[📷 截图提示：终端中 npm install 过程，显示安装成功]

步骤 2：创建记忆集合

cd /root/.openclaw/workspace
qmd collection add memory --name daily-logs --mask "**/*.md"

参数说明：

• --name daily-logs：集合名称
• --mask "**/*.md"：匹配所有 markdown 文件

[📷 截图提示：qmd collection add 命令执行成功，显示集合创建信息]

步骤 3：生成 Embeddings

qmd embed

说明：首次运行会生成向量嵌入，后续自动增量更新。

[📷 截图提示：qmd embed 进度条，显示嵌入生成完成]

步骤 4：测试搜索

# 混合搜索（最精准）
qmd query "墨守 001 的核心铁律"

# 纯语义搜索
qmd vsearch "AI 记忆"

# 关键词搜索
qmd search "OpenClaw" -c daily-logs

[📷 截图提示：三种搜索方式的结果对比，突出响应速度]

五、实际效果：从"失忆"到"过目不忘"

场景 1：回忆用户偏好

之前（远程 MCP）：

用户：我喜欢用什么编辑器？
AI：（加载 2000 tokens 历史，耗时 60 秒）抱歉，我不记得了...

现在（本地 QMD）：

用户：我喜欢用什么编辑器？
AI：（0.5 秒内）您偏好 VS Code，曾在 3 月 1 日提到"VS Code 的插件生态很强大"。

对比：

• Token 消耗：2000+ → 200（仅返回相关片段）
• 响应时间：60 秒 → 0.5 秒

场景 2：跨文件知识检索

之前：需要手动翻阅多个 memory 文件，或让 AI 加载全部历史。

现在：

qmd query "OpenClaw 配置"

自动从所有 memory 文件中提取最相关的 3-5 个片段，精准命中。

[📷 截图提示：qmd query 返回的相关片段，突出精准度]

六、进阶技巧

1. 定期更新索引

# 每天凌晨 3 点更新索引
0 3 * * * /root/.openclaw/workspace/scripts/update-qmd-index.sh

2. 集成到 OpenClaw

在 mcporter.json 中添加 QMD 配置，让 AI 主动调用：

{
  "mcpServers": {
    "qmd": {
      "command": "/usr/bin/qmd",
      "args": ["query", "{query}"]
    }
  }
}

[📷 截图提示：mcporter.json 配置示例]

3. 性能调优

• 增加 --limit 参数控制返回数量
• 使用 --threshold 调整相关度阈值
• 定期清理旧 embeddings 释放空间

七、总结：优雅降级，回归本质

我们曾经迷信远程 API 的强大，却忘了本地 CLI 的简洁与高效。QMD 不是要取代 MCP，而是提供一种更务实的选择：

• 追求极致性能 → 本地 QMD
• 需要分布式协作 → 远程 MCP
• 个人/单机使用 → 强烈推荐 QMD

关键不是选最强大的，而是选最合适的。

现在，打开你的终端，运行 qmd query "第一篇记忆"，感受 0.5 秒的快感。

本文测试版本：QMD 1.0.0 / OpenClaw 2026.2.22-2 / Node.js v22.22.0