用了这个开源项目，把 OpenClaw 的 token 账单砍掉了 80%

发表于： 2026年3月22日 2026年3月22日
分类：未分类

哈喽，大家好，我是蝈蝈。

今天来聊一个 OpenClaw 用户几乎都会遇到的问题——token 烧得太快了。

用过 OpenClaw（ClawdBot）的朋友都有这个体验：刚开始用的时候特别爽，AI 记住你的偏好、习惯、工作背景，像一个真正了解你的私人助理。但用了一段时间之后，账单一来，有点傻眼。

钱到底烧在哪了？今天把这个问题说清楚，顺便给出一个社区实测有效的解法。

先搞清楚问题根源

OpenClaw 的长期记忆，本质上是一堆 Markdown 文件——你的偏好、工作信息、历史对话摘要，全存在 MEMORY.md 或者 memory/ 目录里。每次你问它一个问题，它要”翻记忆”来给你更好的回答。

最原始的做法，是把整个记忆文件完整地塞进上下文。知识库小的时候没感觉，但一旦你用了几个月，记忆文件膨胀到几万字，每次对话光”加载记忆”这一步就要烧掉大量 token。而那几万字里，和你当前问题真正相关的，可能只有几百字。

剩下的 80%？纯纯的浪费。

而且这个问题会随着时间持续恶化——知识库越大，每次烧的越多，没有上限。

解法：QMD 本地混合检索

社区目前最主流的解法，是用 QMD 做本地混合检索，取代把整个 MEMORY.md 反复塞给大模型的笨办法。

实测数据很直接：能省 70%–97% 的 token 消耗。视知识库大小和使用方式而定，但大部分人长期使用下来能稳定省掉 80%+，知识库越大，效果越明显。

QMD 是 Tobi（Shopify 创始人）开源的一个本地轻量混合搜索引擎，专为 Markdown 知识库设计，用 Rust 实现，跑起来很快。它的核心是三种检索方式的组合：

BM25 关键词搜索：传统全文检索，精准匹配关键词
语义向量搜索：理解语义，找”意思相近”但措辞不同的内容
LLM rerank 重排序：对结果再做一次智能排序，最相关的排最前面

github地址: https://github.com/tobi/qmd

三合一的效果，远比”把整个文件塞进去”精准得多。而且最关键的——全部跑在本地，不联网，不烧任何 API token。搜索本身零成本，数据也不出本地。

OpenClaw 2026 年 2 月之后的版本，已经原生集成了 QMD 作为可选的 memory backend，官方叫它 “QMD Memory Plugin” 或 “QMD skill”。

上手前的必要准备：装 Bun

不管你选哪种接入方式，都要先装 Bun——QMD 官方推荐的运行环境，比 npm/yarn 轻量很多。

Linux / macOS：

curl -fsSL https://bun.sh/install | bash

装完重启终端，验证：

bun --version

能看到版本号（比如 1.1.x 或更高）就 OK。

Windows 用 PowerShell：

irm bun.sh/install.ps1 | iex

方式一：最简单——让 OpenClaw 自己搞定（新手推荐）

这个方式的核心思路是：全程靠”说话”完成配置，不需要手动敲太多命令。

第一步，更新 OpenClaw 到最新版（2026.2.x 之后才原生支持 QMD）：

Update yourself to the latest version

第二步，让它自己安装 QMD 依赖：

请安装 QMD skill 的所有依赖，包括本地 embedding 模型

第三步，启用 QMD 作为记忆后端，直接说：

从现在开始使用 QMD 作为我的主要长期记忆检索方式
不要再每次都加载整个 MEMORY.md
只在必要时用 qmd search / qmd vsearch / qmd query 取相关片段

或者直接改配置文件 ~/.openclaw/openclaw.json：

{
"memory":{
"backend":"qmd",
"qmdCollections":["memory","life","workspace"],
"experimental":{
"useQmdForSession":true
}
}
}

第四步，也是最容易被跳过的一步——初始化索引：

请对我的 memory/ 目录、life/ 目录运行 qmd update && qmd embed
以后每天自动更新一次索引

没有索引，QMD 就没有东西可搜。这步不能省。

四步完成，OpenClaw 就会自动用 QMD 检索记忆，而不是每次把几万 token 的上下文全塞进来了。

方式二：更灵活——手动装 QMD，自己配置（进阶用户推荐）

想精细控制的朋友，可以按照自己的知识库结构来划分 collections。

先手动安装 QMD：

bun install -g @tobi/qmd
# 或者：
cargo install qmd

然后按照不同层次的记忆，创建对应的 collections：

# 日常记忆 / 每日日志
qmd collection add ~/clawd/memory --name memory --mask '**/*.md'

# 人生/长期事实
qmd collection add ~/clawd/life --name life --mask '**/*.{md,json}'

# 工作空间文档
qmd collection add ~/clawd --name workspace --mask '**/*.md'

# 可选：清洗过的历史会话
qmd collection add ~/clawd/sessions-clean --name sessions-clean --mask '**/*.md'

建完 collections，跑一次索引和 embedding：

qmd update    # 全量更新索引
qmd embed     # 生成向量（语义搜索需要这一步）

第一次会稍慢，之后是增量更新，很快。

0 3 * * * cd ~/clawd && qmd update --pull && qmd embed

最后，把下面这段加到 OpenClaw 的 skill 或自定义指令里，教它怎么用 QMD：

当你需要回忆/查找历史信息时，用以下命令：
- qmd search "关键词" -c memory         # 关键词搜
- qmd vsearch "自然语言描述" -c life    # 语义搜
- qmd query "问题" -c memory,life       # 混合搜（最推荐）

只读取返回的片段，不要加载整文件

配置完怎么确认有没有生效？

直接在聊天里问它：

“现在用什么 memory backend？”

回答 QMD，配置成功。然后观察 1–2 天，看 input token 是否明显下降。

对照这张 Check-list 查漏补缺：

✅ OpenClaw 版本 ≥ 2026.2.x
✅ 已启用 QMD backend
✅ 至少跑过一次 qmd update && qmd embed
✅ 已告诉 agent：”以后用 qmd 搜索记忆，不要再塞整份 MEMORY.md”
✅ 观察 1–2 天，确认 input token 明显下降

最后说几句

这套方案配置完，大部分人的 token 消耗腰斩起步，长期使用能稳定省掉 80%+。

但我觉得这件事更大的意义，不只是省了钱。它代表的是 AI 工具使用方式的一次深层转变——从”暴力喂数据”走向”精准检索+按需加载”。

如果这篇对你有帮助，帮忙点赞关注，帮助作者有动力继续更新！

欢迎关注公众号：蝈蝈的AI笔记，里面有更多干货内容。

admin

2612