为 OpenClaw 构建双层记忆系统：QMD 与 Mem0 混合架构实战

检索工作流

def search(query):
    # 第一层：QMD 快速搜索（<100ms）
    qmd_results = qmd_search(query)
    if qmd_results.score > 0.8:
        return qmd_results
    
    # 第二层：Mem0 语义搜索（<2s）
    mem0_results = memory_search(query)
    if mem0_results:
        return mem0_results
    
    # 第三层：生成新答案
    return generate_new_answer(query)

这种分层机制在不牺牲响应速度的前提下，赋予了系统深度语义理解能力。

自动化记忆维护系统

从 Cron 到 Heartbeat

最初尝试了定时任务（Cron），如每日索引更新、每日总结等。但很快发现局限性：电脑并非 24 小时开机，错过时间无法触发，且开机后不会自动补执行。

针对个人开发者的非连续使用场景，改用基于心跳的解决方案。核心思路是在用户活跃时检查是否需要执行任务：

def check_tasks():
    elapsed = now - last_execution
    # 超过 20 小时 → 触发每日任务
    if elapsed > 20 * 3600:
        return "execute_daily_tasks"
    # 超过 6 天 → 触发每周任务
    if elapsed > 6 * 24 * 3600:
        return "execute_weekly_tasks"
    return "nothing_to_do"

优势：

• 适应非 24/7 开机场景
• 仅在用户活跃时执行，避免无效轮询
• 状态持久化，关机不丢失
• 自动避免重复执行

实现细节

主要涉及三个文件：

1. scripts/check-tasks.py：任务检查器核心逻辑，读取状态文件并判断执行时机。
2. memory/cron-state.json：记录上次执行时间戳。

{
  "lastQMDUpdate": 1771815000000,
  "lastDailySummary": 1771815000000,
  "lastWeeklyMaintenance": 0
}

3. HEARTBEAT.md：配置心跳如何调用检查器。

系统效果验证

性能指标

实际使用场景

场景 1：查找工作区文件

• 用户问：'RESOLV 服务的端口是多少？'
• QMD 搜索：'RESOLV port'
• 返回：'RESOLV 端口是 8080'
• 延迟：<100ms

场景 2：回忆技术知识

• 用户问：'如何优化 Redis 缓存？'
• QMD 无精确匹配
• Mem0 搜索：'Redis 缓存 策略'
• 返回：存储在 Mem0 中的优化经验
• 延迟：<2s

场景 3：混合检索

• 用户问：'上次 RESOLV 的问题解决了吗？'
• QMD 返回日志片段，Mem0 返回经验总结
• 综合回答
• 延迟：<2.5s

技术细节与踩坑记录

1. Windows 环境编译 native 模块

遇到 Could not locate the bindings file 错误时，优先检查 Visual Studio Installer 中是否安装了 Windows SDK，随后运行 npm rebuild。

2. QMD 向量嵌入生成卡住

执行 qmd embed 时进度条长时间停滞。原因是 CPU 模式下 embedding 生成极慢，模型约 300MB。对于本地个人使用，暂时跳过向量嵌入，仅使用 BM25 关键词搜索，效率更高。未来若有 GPU 再考虑向量索引。

3. Cron Delivery 配置限制

配置中出现报错：cron delivery config is only supported for sessionTarget="isolated"。 修复方法：主会话任务设为 systemEvent 类型（无 delivery），独立代理任务设为 agentTurn 类型（支持 delivery）。

4. 非 UTF-8 环境下的 Python 脚本

遇到 UnicodeEncodeError: 'gbk' codec can't encode character。修复方式包括移除 emoji 打印，并确保所有汉字字符串显式指定编码。

项目文件清单

核心文档

• MEMORY-ARCHITECTURE.md：详细架构设计
• MEMORY-QUICKSTART.md：快速使用指南
• AGENTS.md：已更新，添加双层记忆体系

自动化脚本

• scripts/check-tasks.py：任务检查器
• scripts/memory-assistant.py：记忆助手（预留）

配置文件

• memory/cron-state.json：任务状态追踪
• HEARTBIT.md：心跳配置

总结与展望

已完成 QMD 在 Windows 上的部署、双层记忆系统架构设计、基于心跳的自动化任务系统以及每日记忆总结。下一步计划测试混合检索的实际效果，建立典型使用场景库，并探索 GPU 加速的可能性。

这次实践让我深刻体会到：技术的价值在于解决实际问题，而不是追求完美的理论架构。最初想做'完美的向量嵌入系统'，但 CPU 模式太慢，BM25 已能满足 90% 的场景。真正需要的是自动化维护，而不是完美的算法。有时，'够用'比'完美'更重要。