OpenClaw 記憶優化完全指南:7 大插件比較,QMD + LCM + Total Recall 三件套
title: "OpenClaw 記憶優化完全指南:7 大插件比較,QMD + LCM + Total Recall 三件套" date: 2026-03-18 author: prompt_case source: https://www.threads.com/@prompt_case/post/DV8UkvekZ-M category: threads tags:
- OpenClaw
- 記憶
- QMD
- LCM
- 插件
- Agent created: 2026-03-21 updated: 2026-03-21
OpenClaw 記憶優化完全指南:7 大插件比較,QMD + LCM + Total Recall 三件套
原文摘要
作者整理了 OpenClaw 的 7 大記憶優化插件,指出原生記憶搜尋其實很弱,OpenClaw 作者自己都推薦了 QMD 和 LCM 兩個插件。
推薦三件套:QMD + LCM + Total Recall
- 搜得到(QMD)
- 壓不掉(LCM)
- 整理好(Total Recall)
7 大記憶優化插件
1. QMD
- 功能:把原生記憶搜尋換成語意向量搜尋
- 解決問題:找記憶更準確
- 注意:留言指出預設沒有開啟 vector search,開啟後可能會很慢
2. LCM / Lossless-Claw
- 功能:防止 compaction 後細節消失
- 解決問題:真正做到對話零遺失,解決「龍蝦失憶」的根本問題
3. Total Recall
- 功能:全自動多層記憶整理
- 儲存:純 Markdown 存檔
4. BrainX
- 功能:模擬人腦短期 + 長期記憶結構
- 特色:能自動偵測前後矛盾
5. Vertex AI Memory Bank
- 功能:把記憶外包給 Google Cloud
- 特色:零維運、跨 Agent 共享
6. Nowledge Mem
- 功能:一套記憶橫跨所有 AI 工具
- 特色:換工具也不會失憶
7. OpenViking
- 功能:把記憶、資源、技能統一用虛擬文件系統管理
- 定位:Agent 底層架構
留言區補充
- QMD 效能問題:
@anglekwok指出 QMD 預設沒有開啟 vector search,開啟後超慢 - CRAG Memory:
@fnata.t推薦另一個方案 Openclaw-Crag-Memory,號稱「像真正的大腦一樣思考、學習、遺忘」
三件套選擇邏輯
| 層次 | 問題 | 解決方案 |
|---|---|---|
| 搜得到 | 原生搜尋不夠精準 | QMD(語意向量搜尋) |
| 壓不掉 | Compaction 後細節消失 | LCM(零遺失保存) |
| 整理好 | 記憶缺乏結構化整理 | Total Recall(自動多層整理) |
我的觀察
這篇是 OpenClaw 記憶系統的實用指南。核心問題很明確:OpenClaw 的原生記憶在 compaction 時會丟失細節,搜尋也不夠精準。
三件套的邏輯很合理,但要注意:
- QMD 的 vector search 有效能問題
- 多個插件疊加可能增加複雜度和 token 消耗
- 對大多數使用者來說,先裝 LCM 解決失憶問題可能是最高 ROI 的第一步