本文介绍了为 OpenClaw Agent 系统构建的双层记忆架构，结合本地 QMD 搜索引擎与云端 Mem0 向量数据库。通过心跳机制替代传统 Cron 任务，解决了非 24/7 开机场景下的自动化维护问题。实测显示 QMD 检索延迟低于 100ms，Mem0 低于 2s，实现了快速本地检索与深度语义理解的平衡。文章还记录了 Windows 下编译 native 模块及处理编码问题的踩坑经验。
作为 AI 助手开发者，核心挑战在于如何让 AI 真正'记住'知识，而非每次对话从零开始。
传统云端记忆方案存在 API 成本、延迟及本地文档检索能力不足等痛点。本文介绍一种本地 + 云端混合的双层记忆架构，实现了毫秒级本地检索与深度语义理解的结合。
QMD 是一个本地文档搜索引擎，支持 BM25 关键词搜索和语义向量搜索。它使用 SQLite 存储索引，适合作为本地记忆底层。
安装过程如下：
bun install -g github:tobi/qmd
bunx tsx src/qmd.ts --help
在 Windows 上运行时报错：
Error: Could not locate the bindings file.
Tried: ... dist/better-sqlite3.node
This usually happens because better-sqlite3 is not compiled for the current OS.
这是因为 better-sqlite3 是 native 模块，需要编译环境。解决方案是安装 Visual Studio 2022 Community 和 Windows SDK。
npm rebuild
成功编译后 QMD 即可运行。
cd ~/.openclaw/workspace-magic
bunx tsx src/qmd.ts search "包打听" -c "."
结果示例：
Title: IDENTITY.md - Who Am I
Score: 64%
- **Name:** 包打听
- **Creature:** AI 万事通
响应速度毫秒级，精度满足需求。
单一记忆方案无法满足所有场景：
设计了互补的双层架构：
| 层次 | QMD（短期记忆） | Mem0（长期记忆） |
|---|---|---|
| 定位 | 本地工作区文档检索 | 云端语义向量数据库 |
| 检索技术 | BM25 关键词 | 语义向量相似度 |
| 响应速度 | <100ms | <2s |
| 覆盖范围 | 当前 workspace | 全域知识、跨会话 |
| 成本 | 完全免费 | 已配置免费 API |
关键信息分层存储：
.md 文件、项目上下文、临时信息。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)
这种分层数据在不牺牲响应速度的前提下，获得了深度语义理解能力。
Cron 任务依赖电脑持续开机，不适合个人开发场景。采用心跳机制，在用户活跃时检查是否需要执行任务。
核心逻辑：
def check_tasks():
elapsed = now - last_execution
# 超过 20 小时 → 触发每日任务
if elapsed > 20 hours:
return "execute_daily_tasks"
# 超过 6 天 → 触发每周任务
if elapsed > 6 days:
return "execute_weekly_tasks"
return "nothing_to_do"
优势包括适应非 24/7 开机、避免无谓轮询、状态持久化。
创建了三个核心文件：
scripts/check-tasks.py：任务检查器核心逻辑，读取状态文件并判断执行。memory/cron-state.json：任务状态追踪。{
"lastQMDUpdate": 1771815000000,
"lastDailySummary": 1771815000000,
"lastWeeklyMaintenance": 0
}
HEARTBEAT.md：配置心跳如何调用检查器。| 指标 | 数值 |
|---|---|
| QMD 搜索延迟 | <100ms |
| Mem0 搜索延迟 | <2s |
| 索引文件数 | 16 个.md 文件 |
| 索引大小 | 240KB |
场景 1：查找工作区文件 用户询问端口号，QMD 直接返回日志片段，延迟 <100ms。
场景 2：回忆技术知识 用户询问优化 Redis 缓存，QMD 无匹配，Mem0 返回存储的经验，延迟 <2s。
场景 3：混合检索 综合 QMD 日志片段与 Mem0 经验总结，延迟 <2.5s。
问题： Could not locate the bindings file
解决： 安装 Visual Studio 2022 Community 和 Windows SDK，执行 npm rebuild。
现象： qmd embed 进度条停留在 "Gathering information"。
原因： CPU 模式下 embeddings 生成极慢，模型约 300MB。
决策： 跳过向量嵌入，仅使用 BM25 关键词搜索。对于本地个人使用场景，关键词搜索完全够用。
错误： cron delivery config is only supported for sessionTarget="isolated"
修复： 主会话任务使用 systemEvent 类型，独立代理任务使用 agentTurn 类型。
错误： UnicodeEncodeError: 'gbk' codec can't encode character
修复： 移除 emoji 打印，确保所有汉字字符串显式指定编码。
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scripts/check-tasks.py - 任务检查器scripts/memory-assistant.py - 记忆助手（预留）memory/cron-state.json - 任务状态追踪HEARTBEAT.md - 心跳配置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。
最初计划做完美的向量嵌入系统，但 CPU 模式下太慢不可用。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。双层混合架构不是最优雅的设计，但在实际使用中确实有效。
下一步计划包括测试混合检索效果、建立典型使用场景库、探索 GPU 加速集成。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online