openclaw 配置向量模型nomic-embed-text进行记忆搜索

nomic-embed-text 是 OpenClaw 实现本地、免费、高性能记忆检索的核心嵌入模型，主要用于将对话历史、文档等文本转为向量，支撑智能体的长期记忆与语义搜索。

ollama pull nomic-embed-text

"memorySearch": {        "enabled": true,        "provider": "openai",        "model": "nomic-embed-text",        "remote": {          "baseUrl": "http://10.0.2.2:11434/v1",          "apiKey": "ollama"        }},

openclaw memory index   // 通过此命令建立索引

通过 openclaw memory status  查看记忆状态

nomic-embed-text 与QMD的区别(AI总结)

在 OpenClaw 中，nomic-embed-text 是嵌入模型（工具），QMD 是完整记忆检索后端（系统），二者是 “嵌入能力” 与 “检索系统” 的关系，而非直接竞品。下面从定位、架构、流程、配置、性能、适用场景做全面对比。

一、核心定位与本质区别

1. nomic-embed-text

• 角色
  文本嵌入模型（Embedding Model），负责将文本转为固定维度向量（768 维）。
• 能力边界
  仅做向量化，不做存储、检索、重排序、分块、查询扩展。
• 在 OpenClaw 中的位置
  作为 memorySearch 的嵌入提供方（provider: ollama/openai），为 SQLite 向量库生成向量。

2. QMD 记忆

• 角色
  完整记忆检索后端（Memory Backend），替代默认 SQLite 方案。
• 能力边界
  全链路检索系统，包含：
• 嵌入（内置 GGUF 模型，可搭配 nomic）
• BM25 全文检索
• 向量检索
• 查询扩展、RRF 融合、LLM 重排序
• 语义分块、Markdown 优先、自动索引
• 在 OpenClaw 中的位置
  memory.backend = "qmd"，接管全部记忆逻辑。

一句话总结：nomic 是 “编码器”，QMD 是 “检索引擎 + 记忆管理系统”。

二、架构与工作流程对比

1. nomic-embed-text 流程（默认 SQLite 方案）

1. 文本 → nomic-embed-text → 768 维向量
2. 向量存入 SQLite 向量表
3. 查询 → nomic 生成查询向量 → 余弦相似度检索 → 返回 Top-K
4. 结果直接注入 Prompt（无重排序 / 分块）

2. QMD 记忆流程（多阶段混合检索）

1. 查询扩展
   LLM 生成语义相近查询（如 auth → login process）
2. 并行检索
   BM25 全文 + 向量检索（可使用 nomic 嵌入）
3. RRF 融合
   多结果加权排序（Reciprocal Rank Fusion）
4. LLM 重排序
   本地 GGUF 模型二次打分，确保最相关优先
5. 语义分块
   按标题、代码块、分割线智能切分，避免长文本噪声
6. 结果精简
   仅返回 2–3 句最相关片段，而非全量记忆

选择 nomic-embed-text（SQLite）的场景

• 快速原型、轻量级使用
• 已深度依赖 Ollama 生态
• 记忆量小（<10k 条）、无需极致速度 / Token 优化
• 不想额外安装 Bun/QMD 等工具

选择 QMD 记忆的场景

• 长期运行、记忆量大（>10k 条）
• 追求极致 Token 节省（90%+）与响应速度（50x+）
• 需要高精度混合检索（关键词 + 语义 + 重排序）
• 重视Markdown 原生支持与智能分块
• 生产环境、需要自动索引与故障降级

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。