Иллюстрация руководства по настройке OpenClaw QMD

Включение бэкенда памяти QMD для OpenClaw на Mac с Apple Silicon

Строить

⚠️ Рекомендация по выбору: Эта статья документирует процесс настройки QMD. Однако на основе практической оценки встроенного индекса OpenClaw достаточно для большинства сценариев. QMD требует дополнительно ~600 МБ памяти и более сложного обслуживания. Пожалуйста, решите, включать ли его, исходя из ваших реальных потребностей (например, необходимость полностью автономной работы или чрезвычайно высокие требования к качеству поиска).

Эта статья объясняет, как настроить бэкенд памяти QMD (Query Markdown Database) для OpenClaw на Mac с Apple Silicon (M1/M2/M3/M4), включая гибридный поиск с BM25 + вектор + переранжирование.

Предварительные условия

  • macOS 14+ (Sonoma / Sequoia)
  • OpenClaw 2026.2.3-1 или новее
  • Homebrew (для установки SQLite)

Шаг 1: Установка Bun

QMD зависит от среды выполнения Bun. Сначала установите Bun:

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

Проверка установки:

Terminal window
~/.bun/bin/bun --version
# Вывод: 1.3.8

Шаг 2: Установка SQLite (с поддержкой расширений)

QMD требует SQLite с поддержкой расширений:

Terminal window
brew install sqlite

Шаг 3: Установка QMD

Установите QMD глобально с помощью Bun:

Terminal window
~/.bun/bin/bun install -g https://github.com/tobi/qmd

Проверка установки QMD:

Terminal window
export PATH="$HOME/.bun/bin:$PATH"
qmd --version

Шаг 4: Настройка OpenClaw для использования QMD

Отредактируйте файл конфигурации OpenClaw:

Terminal window
openclaw config edit

Добавьте или измените конфигурацию memory:

{
"memory": {
"backend": "qmd"
}
}

Полный пример конфигурации (с дополнительными параметрами):

{
"memory": {
"backend": "qmd",
"citations": "auto",
"qmd": {
"includeDefaultMemory": true,
"update": {
"interval": "5m",
"debounceMs": 15000
},
"limits": {
"maxResults": 6,
"timeoutMs": 4000
}
}
}
}

Шаг 5: Перезапуск OpenClaw

Terminal window
openclaw gateway restart

Шаг 6: Инициализация индекса QMD

После перезапуска QMD автоматически создаст индекс. Для ручной инициализации:

Terminal window
# Установка переменных окружения
export PATH="$HOME/.bun/bin:$PATH"
export XDG_CONFIG_HOME="$HOME/.openclaw/agents/main/qmd/xdg-config"
export XDG_CACHE_HOME="$HOME/.openclaw/agents/main/qmd/xdg-cache"
# Создание коллекции
cd ~/.openclaw/workspace
qmd collection add memory --name memory-root --mask "**/*.md"
# Генерация векторных эмбеддингов (при первом запуске загрузит ~600 МБ моделей)
qmd embed

При первом запуске qmd embed автоматически загрузит с HuggingFace:

  • embeddinggemma-300M-Q8_0.gguf (модель эмбеддингов)
  • qwen3-reranker-0.6b-q8_0.gguf (модель переранжирования)
  • Qwen3-0.6B-Q8_0.gguf (модель расширения запросов)

Шаг 7: Проверка работы QMD

Протестируйте поиск памяти:

Terminal window
openclaw memory-search "OpenClaw memory system"

Если вы видите source: "qmd//memory-root/...", QMD активен.

Проверка статуса QMD:

Terminal window
export PATH="$HOME/.bun/bin:$PATH"
export XDG_CONFIG_HOME="$HOME/.openclaw/agents/main/qmd/xdg-config"
export XDG_CACHE_HOME="$HOME/.openclaw/agents/main/qmd/xdg-cache"
qmd status

Часто задаваемые вопросы

QMD не работает, по-прежнему отображается встроенный индекс

Проверьте, установлено ли memory.backend на "qmd" в ~/.openclaw/openclaw.json, затем перезапустите Gateway.

Ошибка загрузки модели

Пользователи в Китае могут настроить зеркало HuggingFace:

Terminal window
export HF_ENDPOINT=https://hf-mirror.com
qmd embed

Недостаточно памяти

Mac серии M должны иметь не менее 8 ГБ памяти. Если процесс эмбеддинга завершается, попробуйте закрыть другие приложения.

Справочник по конфигурации

Элемент конфигурацииОписаниеЗначение по умолчанию
memory.backendТип бэкенда памяти"qmd"
memory.citationsПоказывать источники цитирования"auto"
memory.qmd.update.intervalИнтервал обновления индекса"5m"
memory.qmd.limits.maxResultsМаксимальное количество результатов6
memory.qmd.limits.timeoutMsТайм-аут поиска4000

Резюме

После включения QMD поиск памяти OpenClaw будет иметь:

  • Полнотекстовый поиск BM25: Точное соответствие ключевых слов, ID, символов кода
  • Векторный семантический поиск: Понимание синонимов и концептуальных ассоциаций
  • Оптимизация переранжирования: Qwen3 reranker улучшает релевантность

По сравнению со встроенным SQLite + Gemini Embeddings, QMD работает полностью локально, не зависит от внешних API и обеспечивает более высокое качество поиска.

Опубликовано: 7 февр. 2026 г. · Изменено: 7 февр. 2026 г.

Похожие статьи