OpenClaw 无损上下文管理指南：Lossless-Claw + QMD 双剑合璧

发表于 2026-04-09 更新于 2026-05-07 分类于笔记

在 AI Agent 的长期协作中，上下文管理是决定智能体能力上限的核心瓶颈。传统方案要么因窗口限制导致“失忆”，要么因全量传输造成 Token 成本爆炸。本文将基于 OpenClaw 文档与社区实践，详解 Lossless-Claw（LCM）与 QMD 的无损上下文组合方案，从原理、价值到可直接复制的实操配置，全部经过官方文档与经验验证。

一、为什么做：三大痛点

1.1 滑动窗口失忆

OpenClaw 内置的上下文压缩机制存在一个根本性缺陷：它是有损的（lossy）。当对话超过模型上限（如 8k/16k Token），早期信息直接被截断，AI 彻底“忘记”前期需求、代码细节和关键决策。内置压缩还会把数十轮对话压成一段几百 Token 的摘要，不保留原始消息，压缩后细节永远丢失。

1.2 Token 成本雪崩

长对话全量传输，每轮请求 Token 数指数级增长。经验显示，长对话场景下单次请求可能携带 8 万 + tokens，不仅响应延迟高达 45 秒，API 成本可达 $2.4/次。

1.3 缺乏可定制性

传统压缩规则硬编码在核心中，插件无法介入。近期 OpenClaw 版本开始支持可插拔上下文引擎，新增 ContextEngine 插槽与生命周期钩子，使插件可以在上下文生成、压缩、拼接以及子 Agent 管理的各个阶段介入。OpenClaw 文档支持 lossless-claw 插件——基于 Voltropy 团队 LCM 论文的无损上下文方案。

1.4 破局：Lossless-Claw + QMD

这套组合是 OpenClaw 社区中广泛采用的无损上下文方案，核心价值在于分工明确、互补增效：

Lossless-Claw（LCM） ：负责当前会话内存。用 DAG 分层摘要 + SQLite 全量持久化，对话再长也不丢原始消息，同时把活跃上下文压缩到模型窗口 75% 以内。
QMD：负责跨会话硬盘记忆。本地语义搜索引擎，只提取最相关的 2-3 句话注入上下文，杜绝全库扫描的 Token 浪费。

LCM 管“当下对话不中断”，QMD 管“历史知识不丢失” ，两者结合实现“永久记忆 + 零成本膨胀”。

1.5 预期效果对比

在 OOLONG 长上下文推理基准测试中，相同模型（Claude Opus 4.6）搭配 lossless-claw 后得分从 70.3 提升至 74.8，Token 消耗降低 30%+。QMD 端 Token 削减达 60-97%（平均 95% 以上），响应速度提升 5-50 倍，成本降低 90-99%，精准度高达 93%。

二、是什么：双引擎架构解析

2.1 Lossless-Claw：DAG 无损上下文管理

Lossless Claw（LCM）是一个为 OpenClaw 开发的无损上下文管理插件，基于 DAG（有向无向图）结构的摘要系统替代 OpenClaw 内置的滑动窗口压缩机制。它不在上下文爆满后临时补救，而是持续在后台异步处理历史消息。首先将所有原始消息完整写入 SQLite 数据库，不主动丢弃任何内容；随后将较旧的消息分块，调用 LLM 生成摘要；这些摘要被组织成 DAG 结构——底层节点保留时序细节，上层节点逐步浓缩为高层级摘要，既能控制上下文体积，又不会真正失去原始信息。

LCM 的核心架构包含两大层次：

持久化存储：所有对话消息、工具调用记录、文件内容均存入 SQLite 数据库，永不主动删除，作为不可变的原始副本。
DAG 摘要层：超出最新 N 条消息后，异步生成 Leaf 层级摘要；同层摘要积累到阈值后向上凝练，形成层级化 DAG 结构。每个摘要都链接回它的源消息——这就是“无损”的含义。

LCM 通过五个关键操作完成工作：将每条消息持久化到 SQLite 数据库；将旧消息分块摘要；随着摘要积累，进一步浓缩为更高层级节点，形成 DAG；每轮通过组合摘要 + 近期原始消息来组装上下文；并提供 lcm_grep、lcm_describe、lcm_expand 等工具，让 Agent 可以搜索和回忆已压缩历史中的细节。

OpenClaw 核心开发者 Josh Lehman 在亲身测试后的评价：“对话感觉永远不会丢失信息（因为某种程度上确实不会），始终在 30-100K Token 范围内运行，零维护。”

2.2 QMD：本地语义搜索引擎

QMD（Quantum Memory Database）是由 GitHub 用户 tobi 开发的本地语义搜索引擎。它的核心理念是：不要把整个文件塞给 AI，而是先用本地搜索找到最相关的片段（通常只有 2-3 句话），再把这些精准内容传给 AI。

QMD 采用三层混合检索机制：

BM25 全文搜索：精准匹配端口、变量名、文件名等精确术语；
向量语义搜索：理解概念关联（如“服务器配置”与“部署网关”的同义表述）；
LLM 重排序：轻量模型二次筛选，确保最相关片段优先。

QMD 的核心特性：完全本地运行，所有模型、数据、索引都不上云；混合搜索（BM25 + 向量语义 + LLM 重排序）；不消耗任何 API 配额，自带模型；支持 MCP 协议，专为 AI 工作流设计。

OpenClaw 文档将其列为支持的 memory backend，定位为 Local-first sidecar，具备重排序（reranking）、查询扩展（query expansion）以及索引工作区外目录的能力。

2.3 协同工作流

写入：LCM 将每一轮对话、每一次工具调用、每一个决策都完整写入 SQLite 数据库，并异步构建 DAG 摘要层，确保信息永不丢失。
检索：QMD 通过向量检索从长期记忆中精准召回最相关的片段，避免把整个历史上下文塞给模型。
巩固：配合 OpenClaw 内置的 Dreaming 梦境系统（模拟人类睡眠的记忆巩固过程），三者形成“写入 → 巩固 → 检索”的完整记忆闭环。

三、怎么做：完整配置指南

⚠️ 前置条件：OpenClaw 版本需 ≥ 2026.3.7（lossless-claw 要求）且 ≥ 2026.2.2（QMD 要求）。用 openclaw --version 检查版本。

3.1 安装 Lossless-Claw

第一步：检查前置条件

已安装支持插件上下文引擎的 OpenClaw（≥ 2026.3.7）；
Node.js 版本为 22 或更高；
已在 OpenClaw 中配置好可用于摘要生成的 LLM 提供方；
强烈建议 Node 运行环境支持 SQLite FTS5 编译选项。

第二步：安装插件

使用官方插件安装命令：

1	openclaw plugins install @martian-engineering/lossless-claw

该命令会下载插件、登记配置，并在系统中启用 lossless-claw。OpenClaw 会优先从 ClawHub 拉取，自动回退到 npm。

第三步：将 lossless-claw 设为默认上下文引擎

编辑配置文件 ~/.openclaw/openclaw.json，确保 contextEngine 指向 lossless-claw：

{
  "plugins": {
    "slots": {
      "contextEngine": "lossless-claw"
    }
  }
}

第四步：调整进阶参数（可选）

在 openclaw.json 的 plugins.entries 中添加 lossless-claw 的详细配置：

{
  "plugins": {
    "entries": {
      "lossless-claw": {
        "enabled": true,
        "config": {
          "freshTailCount": 32,
          "contextThreshold": 0.75,
          "incrementalMaxDepth": -1,
          "summaryModel": "openai/gpt-5.4-mini"
        }
      }
    }
  }
}

参数说明：

freshTailCount: 32：保护最近 32 条消息不被压缩，保持短期上下文连贯。
contextThreshold: 0.75：当上下文占用达到 75% 时启动压缩流程，为模型回复预留空间。
incrementalMaxDepth: -1：允许摘要树无限制扩展，让长期记忆自然增长。
summaryModel：将压缩摘要绑定到指定模型（本配置使用 openai/gpt-5.4-mini）。

第五步：重启服务

1	openclaw gateway restart

3.2 安装 QMD

第一步：安装 QMD CLI

方式一（推荐，使用 npm）：

1	npm i -g @tobilu/qmd

方式二（使用 Bun，速度更快）：

# 先装 Bun
curl -fsSL https://bun.sh/install | bash
# 装 Qmd
bun install -g @tobilu/qmd
sudo ln -s $(which qmd) /usr/local/bin/qmd

第二步：首次运行自动下载模型

首次运行 QMD 时，会自动下载默认模型文件，通常包括 embeddinggemma 和 query-expansion 相关 GGUF 模型，整体约 1.5GB 左右。首次启动会比后续运行慢，并且需要等待模型下载完毕后才能进入正常索引。

⚠️ 常见问题：模型文件名不匹配

QMD 运行时可能因文件名大小写问题找不到模型，需手动创建软链接：

1 2	cd ~/.cache/qmd/models ln -sf hf_ggml-org_embeddinggemma-300M-Q8_0.gguf local:embeddinggemma-300m-qat-Q8_0.gguf

第三步：配置 OpenClaw 使用 QMD

编辑 ~/.openclaw/openclaw.json，在 memory 段添加 QMD 配置：

{
  "memory": {
    "backend": "qmd",
    "citations": "auto",
    "qmd": {
      "searchMode": "query",
      "includeDefaultMemory": true,
      "update": {
        "interval": "5m",
        "debounceMs": 15000,
        "onBoot": true
      },
      "sessions": {
        "enabled": true,
        "retentionDays": 30
      },
      "limits": {
        "maxResults": 6,
        "maxSnippetChars": 600,
        "timeoutMs": 120000
      },
      "scope": {
        "default": "deny",
        "rules": [
          {
            "action": "allow",
            "match": {
              "chatType": "direct"
            }
          }
        ]
      },
      "paths": [
        {
          "name": "blogs",
          "path": "/Users/sean/note/haies.cn/source/_posts",
          "pattern": "**/*.md"
        },
        {
          "name": "wans",
          "path": "/Users/sean/note/wans",
          "pattern": "**/*.md"
        }
      ]
    }
  }
}

参数说明：

backend: "qmd"：启用 QMD 记忆后端。
searchMode: "query"：混合搜索（语义 + 关键词，最准）。可选 search（纯关键词，最快）或 vsearch（纯语义搜索）。
paths：配置需要索引的外部路径，支持多个目录。
maxResults: 6：最大返回结果数，越多越耗 Token。
scope.default: "deny" + rules：默认关闭记忆，仅允许私聊使用。

第四步：初始化 QMD 索引并生成向量嵌入

# 首次索引（自动扫描 paths 中配置的路径）
qmd index

# 生成向量嵌入（提升搜索精度，必须执行）
qmd embed

💡 建议定期运行 qmd embed（如每天一次）以确保新增文档可被向量检索。

3.3 验证配置

验证 Lossless-Claw：

# 检查插件列表
openclaw plugins list
# 预期输出包含 @martian-engineering/lossless-claw

# 检查上下文引擎配置
openclaw config get plugins.slots.contextEngine
# 预期输出："lossless-claw"

验证 QMD：

# 查看 QMD 版本
qmd --version

# 检查 OpenClaw 记忆健康状态
openclaw memory status
# 预期看到 Indexed、Store、Vector 状态正常

联合验证：

1	openclaw memory status

若输出正常，说明两套系统均已就绪。也可以运行 openclaw memory search "测试关键词" 测试搜索功能。

3.4 验证清单

验证项	命令	预期结果
插件安装	`openclaw plugins list`	显示 lossless-claw [installed]
引擎配置	`openclaw config get plugins.slots.contextEngine`	返回 “lossless-claw”
LCM 数据库	`ls ~/.openclaw/lcm.db`	文件存在
LCM 运行状态	`openclaw logs –limit 50	grep lossless`
LCM 数据统计	`sqlite3 ~/.openclaw/lcm.db "SELECT COUNT() FROM summaries; SELECT COUNT() FROM messages;"`	摘要数和消息数
QMD 索引	`qmd status`	显示 indexed documents 数量
QMD 向量嵌入	`qmd embed`	显示 Embedded N chunks from M documents
QMD 搜索测试	`qmd search "关键词" -c blogs -n 3`	返回相关结果
内存搜索	`memory_search` 工具	返回相关结果

示例验证结果（2026-04-10）：

# LCM 状态
$ openclaw logs --limit 50 | grep lossless
2026-04-09T16:08:23.838Z info {"plugin":"lossless-claw"} [lcm] Plugin loaded (enabled=true, db=/Users/sean/.openclaw/lcm.db, threshold=0.75)

$ sqlite3 ~/.openclaw/lcm.db "SELECT COUNT(*) FROM summaries; SELECT COUNT(*) FROM messages;"
159
7855

# QMD 状态
$ qmd status
Documents
  Total:    537 files indexed
  Vectors:  1882 embedded
  Pending:  0

Collections
  blogs (qmd://blogs/): 42 files
  wans (qmd://wans/): 26 files
  memory (qmd://memory/): 275 files
  sessions-main (qmd://sessions-main/): 68 files

# 搜索测试
$ qmd search "docker" -c blogs -n 3
qmd://blogs/docker.md:2 #637513 - Score: 85%
qmd://blogs/containerd.md:8 #7d32a7 - Score: 83%
qmd://blogs/geoserver.md:11 #cff5cb - Score: 83%

四、高级优化与故障排除

4.1 黄金参数调优

场景	freshTailCount	contextThreshold	maxResults
代码调试/编程	40	0.7	3
文档分析	40-64	0.7	4
轻量对话/日常聊天	24	0.8	4

4.2 成本优化策略

摘要模型降级：使用 claude-haiku-4-5 或本地 ollama/llama-3:8b 执行摘要，主对话保持高级模型。
排除噪音会话：通过 ignoreSessionPatterns 过滤 cron job、心跳检测等无状态会话。

4.3 常见问题排查

Q1：配置后 AI 仍“失忆”

# 检查 contextEngine 是否指向 lossless-claw
openclaw config get plugins.slots.contextEngine
# 若未指向，执行：
openclaw config set plugins.slots.contextEngine "lossless-claw"
openclaw gateway restart

Q2：Token 消耗未降低

# 检查 freshTailCount 是否过大
openclaw config get plugins.entries.@martian-engineering/lossless-claw.LCM_FRESH_TAIL_COUNT
# 建议调整为 32，并降低阈值：
openclaw config set plugins.entries.@martian-engineering/lossless-claw.LCM_CONTEXT_THRESHOLD 0.6

Q3：QMD 搜索超时或无结果

// 调整 openclaw.json 中的超时设置
"limits": {
  "timeoutMs": 8000,   // 从 4000 增加到 8000
  "maxResults": 4      // 减少结果数以降低负载
}

若完全无结果，检查索引是否已生成：qmd embed。

Q4：QMD 模型文件未找到

# 检查模型文件
ls -la ~/.cache/qmd/models/

# 如发现文件名不匹配，创建软链接
cd ~/.cache/qmd/models
ln -sf hf_ggml-org_embeddinggemma-300M-Q8_0.gguf local:embeddinggemma-300m-qat-Q8_0.gguf

Q5：SQLite 权限错误（Linux/Docker）

1 2	sudo chmod -R 775 ~/.openclaw/data sudo chown -R $(whoami):$(whoami) ~/.openclaw/data

五、总结

Lossless-Claw + QMD 是 OpenClaw 社区中广泛使用的无损上下文组合方案，可以有效缓解“失忆、成本、精度”三大痛点。通过 LCM 的 DAG 无损压缩与 QMD 的本地精准检索，目标是实现永久记忆 + Token 膨胀可控 + 更平稳的响应时间。

两者分工明确、互补增效：LCM 负责“当下对话不中断”，QMD 负责“历史知识不丢失”，配合 OpenClaw 内置的 Dreaming 梦境系统，形成“写入 → 巩固 → 检索”的完整记忆闭环。在一些测试中表明：在一些长上下文场景中，得分和成本都有明显改善，但实际结果仍依赖具体模型、主题和配置。

本文中的配置、命令和参数基于 OpenClaw、LCM、QMD 的官方文档或社区资料整理，可作为可复制的参考。按此配置，你的 OpenClaw 能更好地支持长期对话与历史记忆场景。

官方参考

Lossless-Claw GitHub：https://github.com/Martian-Engineering/lossless-claw

QMD GitHub：https://github.com/tobi/qmd

OpenClaw 官方文档：https://docs.openclaw.ai

OpenClaw Context Engine：https://docs.openclaw.ai/concepts/context-engine

OpenClaw Memory Overview：https://docs.openclaw.ai/concepts/memory