openclaw配置qmd记忆系统(三)

最近一直在研究vibe coding, openclaw停了一段时间，目前最新版本已经到了 2026.3.13，昨晚进行了升级，从3.2 升级到了3.13。

OpenClaw 3.13 相较于 3.2 版本，其记忆系统的核心进化可以概括为 从“被动工具”到“主动系统”的转变。如果说 3.2 版本建立了记忆的基础架构，那么 3.13 版本则通过引入混合检索、主动冲刷和可插拔架构，让记忆真正变得“智能”和“可用”。

由于之前配置的是qmd进行记忆检索，配置过程可查看 openclaw配置qmd记忆系统（一），openclaw配置qmd记忆系统（二），虽然通过openclaw memory status 展示的状态正常，实际通过查看qmd应用的sqlite数据，向量数据并未生成。查看qmd status，会有报错现象，主要是我安装openclaw 是在虚拟机中，无法使用cuda驱动，qmd会回退到cpu的模式并下载一个小的向量模型。之前运行会卡住，经过查看发现是网络问题，通过翻墙也未能下载模型。这里找到一种办法，通过添加环境变量，用国内镜像下载。

export HF_ENDPOINT=https://hf-mirror.com

还有一个问题，qmd使用的sqlite数据库位置和openclaw使用的位置不同，因此通过 qmd embed 进行向量化的时候数据会生成在 ~/.cache/qmd/index.sqlite 中。这里可以通过设置环境变量进行目录的更改，如此，再次执行 qmd embed时候，数据库向量数据会写入该文件。

export XDG_CONFIG_HOME="/root/.openclaw/agents/main/qmd/xdg-config"export XDG_CACHE_HOME="/root/.openclaw/agents/main/qmd/xdg-cache"

sqlite库中就产生了向量数据

如果是安装在宿主机上，最好还是借用显卡的算力，下载的模型也会大一些，对于大量的记忆文件的语义化检索，性能会更好。3.13的版本据介绍已经加入了向量化模型的配置，可以支持配置调用ollama中的向量化模型。对于我这种场景，可以使虚拟机中的openclaw调用宿主机上的向量化模型，而且我宿主机上是有gpu算力的，后面尝试一下进行分享。

3.13 版本记忆系统的三大亮点（AI总结）

混合检索：告别“看得懂，但找不到”的尴尬

解决的问题：3.2 版本的向量搜索虽然能理解“帮我查一下网关地址”和“那台跑网关的机器IP是多少”是同一个意思，但当你精确搜索环境变量名 DB_PASSWORD 时，它就无能为力了。
3.13 的解决方案：同时运行向量搜索（找语义）和 BM25 搜索（找关键词），然后将两者的结果按权重合并。这让 Agent 既能理解你的意图，又能精准定位代码中的特定符号。

预压缩冲刷：防止“聊着聊着就忘了”

解决的问题：大模型在长对话中会进行“上下文压缩”，这个过程可能会丢失一些关键细节。比如你和 Agent 花了一小时讨论的复杂方案，第二天它可能就完全“失忆”了。
3.13 的解决方案：在系统即将进行压缩前，它会自动执行一个后台任务，对 Agent 说：“嘿，快把还没记下来的重要东西写到你的‘日记’（memory/YYYY-MM-DD.md）里，不然等会儿就没了！” 。这极大地保证了重要信息的持久化。

可插拔架构：赋予开发者“定制记忆”的自由

解决的问题：开发者想尝试新的记忆管理算法，比如知识图谱，但在老版本中可能需要修改大量核心代码。
3.13 的解决方案：通过新的 Context Engine 接口，记忆的“组织方式”可以被轻松替换。你可以在不破坏系统其他部分的情况下，为你的 Agent 换上更强大的“记忆大脑” 。

总的来说，3.13 版本让 OpenClaw 的记忆系统从一个需要你时刻提醒的“被动工具”，进化成了一个会主动帮你整理笔记、防止遗忘的“智能伙伴”

关于作者

资深工程师，业余摄影、吉他爱好者，不定期更新关于人工智能、产品设计、系统架构、管理、生活的思考，关注我一起进步。