---

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：

1. QMD 的 vector search 有效能問題
2. 多個插件疊加可能增加複雜度和 token 消耗
3. 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