QMD (Quantum Memory Database)是 Shopify 联合创始人兼 CEO Tobias Lütke (Tobi) 开发的本地语义搜索引擎。
核心价值：
实际效果：
底层技术：
核心架构：
前提条件
⚠️ OpenClaw 版本需要 ≥ 2026.2.2
检查你的版本：
如果版本低于 2026.2.2，需要先更新到最新版本。
第一步：安装 QMD
1.1 选择包管理器
推荐使用 Bun（速度更快）：
或使用 npm：
或直接运行（无需安装）：
1.2 安装支持扩展的 SQLite
QMD 需要支持 vector 扩展的 SQLite。
macOS 用户：
验证安装：
Linux 用户 (Ubuntu/Debian)：
验证安装：
Windows 用户：
1.3 验证 QMD 安装
如果显示版本号，说明安装成功。
第二步：配置 OpenClaw 使用 QMD
2.1 找到配置文件
根据你使用的版本和操作系统，配置文件位置：
OpenClaw 用户：
2.2 修改配置
在配置文件中添加或修改以下内容：
配置说明：
💡 提示：所有操作系统的配置内容完全相同，只是文件路径不同
第三步：重启 OpenClaw
所有操作系统使用相同命令：
重启后的行为：
验证 QMD 是否正常工作：
查看 OpenClaw 日志，确认 QMD 后端已启用：
如果看到类似 的日志，说明配置成功。
我在启用 QMD 前后做了对比测试，结果让人惊喜。
场景一：长期会话记忆查询
测试问题："我们三个月前讨论的那个项目，最后用的什么方案？"
结论：速度快了 20+ 倍，成本降低 200+ 倍，而且不会失败。
场景二：跨文件知识检索
测试问题："我们之前所有项目用过哪些技术栈？"
结论：速度提升 10 倍，再也没卡死过。
场景三：日常对话
测试问题："帮我写个函数"
结论：日常使用体验天差地别。
技术深度：为什么上下文变小，速度就快那么多？
大模型的推理时间和输入 token 数量基本成正比关系：
我的极端案例： 那个 20 万 token 的会话，单次请求成本高达 \(6-8，而且基本上都是超时失败，钱白花了。
启用 QMD 后： 无论历史记录有多长，每次只提取最相关的几句话（通常削减 95% 以上）。
✅ 响应快了 5-50 倍 ✅ 成本降低 90-99% ✅ 精准度反而更高（因为噪音少了） ✅ 再也不会因为上下文太长而卡死或超时
全面对比：启用 QMD 前后
必须启用的情况
🔴 会话历史超过 1 万 token（基本上运行一周就会超过） 🔴 经常被慢速响应或卡死困扰（特别是长期会话） 🔴 单次请求成本超过 \)1
Q1: QMD 和传统记忆系统的区别是什么？
传统系统：
QMD 系统：
Q2: QMD 是否安全？
完全安全：
Q3: QMD 的准确率如何？
根据实测数据：
Q4: 如果 QMD 出现问题怎么办？
OpenClaw 有自动回退机制：
Q5: QMD 需要联网吗？
不需要：
Q6: QMD 支持哪些文件格式？
主要支持：
其他格式需要先转换为 Markdown 或文本格式。
Q7: QMD 的性能如何？
非常高效：
Q8: 如何优化 QMD 的性能？
可以调整以下参数：
Q9: QMD 占用多少存储空间？
存储空间取决于：
Q10: 如何卸载 QMD？
如果要卸载 QMD：
推荐阅读
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/237689.html