threads
OpenClaw 記憶優化插件整理：從 QMD、LCM 到 Total Recall 的分層解法
OpenClaw 記憶優化插件整理：從 QMD、LCM 到 Total Recall 的分層解法
2026年4月6日1 分鐘閱讀👁 5
title: OpenClaw 記憶優化插件整理：從 QMD、LCM 到 Total Recall 的分層解法 date: 2026-03-17 author: prompt_case source: https://www.threads.com/@prompt_case/post/DV8UkvekZ-M?xmt=AQF0Jk34fY4fy3GrKKMoBJnvPmOdvslgLiMQLCNMGnde9Xex-zmdZuxsO0jqoNLWXW4zJfG9&slof=1 category: threads tags:
- OpenClaw
- Memory
- QMD
- Lossless Claw
- Total Recall
- Plugin created: 2026-03-17 updated: 2026-03-17
OpenClaw 記憶優化插件整理：從 QMD、LCM 到 Total Recall 的分層解法
原文摘要
這篇聚焦在 OpenClaw 的記憶系統優化。作者認為原生記憶能力偏弱，因此整理了 7 種不同記憶優化插件／方案，對應不同層次的問題。
文中點出的兩個關鍵插件是 OpenClaw 作者 Peter Steinberger 也有推薦的：
- QMD：用來取代原生搜尋引擎，提升記憶檢索精準度
- Lossless Claw Memory（LCM）：解決 compaction 後的「龍蝦失憶」問題
作者另外提出一個推薦組合：
- QMD + LCM + Total Recall
對應的三層問題是：
- 搜得到
- 壓不掉
- 整理好
核心觀點
1. 記憶問題不是單一問題，而是三層問題
這篇很有價值的地方，是把記憶拆成不同層次來看：
- 搜尋能力夠不夠準
- 對話壓縮後會不會丟失關鍵資訊
- 記憶有沒有被整理成可用結構
這樣就不會把所有問題都混成「記憶不好用」四個字。
2. 好的記憶系統，不只是存，而是能找、能保、能整理
作者推薦的三件套其實隱含一個完整架構：
- QMD 解決檢索層
- LCM 解決保留層
- Total Recall 解決整理層
這比單裝一個插件更像系統設計思路。
3. 記憶優化已經開始出現明確分工
從免費本地方案到 Google Cloud 全管理服務，代表記憶系統不再只是「有或沒有」，而是開始像資料基礎設施一樣，有不同成本、維運難度與能力邊界。
我的觀察
這篇值得記的，不只是插件名單，而是它把 OpenClaw 記憶問題重新定義成一個架構題：
不是裝哪個插件最強，而是你到底想先解決「找不到」、「被壓掉」，還是「沒整理」哪一種問題。
如果之後要做更深的本地記憶優化，這篇的三層框架很值得當成思考起點。