OpenClaw 有一套内置的 Memory 系统，基于 SQLite 实现，开箱即用。但对于需要更高搜索质量、更广索引范围的场景，OpenClaw 提供了一个更强大的选项——QMD Memory Engine。

本文梳理 QMD 的核心概念、架构原理、配置方法，以及它在 OpenClaw 记忆体系中的实际角色，最后与 OpenViking 方案做对比。

2023 年做 RAG，大家讨论的还是"Embedding 模型选哪个"、“要不要上 ColBERT”。2024 年话题变成了"Hybrid Search 到底怎么打分融合"。到了 2026 年，画风基本定了——

生产环境的 RAG 召回优化有三件套：强 Embedding 模型 + Hybrid Search + Rerank 精排。Query 改写、HyDE 这些"技巧"不是没用，而是从"主菜"降级成了"配菜"。

上一篇文章讲了 HyDE 这种"答案侧"技巧，今天这篇文章讲 2026 年的"主路线"。

跑过 RAG 的同学大概都踩过这个坑：用户问"我的订单怎么取消？"，向量库里明明有那段"如需取消订单，请前往’我的订单’页面……"，但召回就是捞不回来。

问题出在哪？问题和答案在向量空间里隔得很远——“取消"虽然两边都有，但问句的语气、词汇结构、隐含的主语省略，都让它和那段陈述句形态的答案距离不近。BM25 兜不住（关键词只有两个字），向量检索也兜不住（语义结构差太大），怎么解？

HyDE（Hypothetical Document Embeddings） 就是专门处理这道题的。

在 LLM（大语言模型）应用开发中，如何处理海量的、碎片化的上下文数据是开发者面临的最大挑战。字节跳动火山引擎团队开源了 OpenViking，这是一个专门为 AI Agent 和 RAG 场景设计的上下文数据库。它不仅继承了字节内部支撑抖音、豆包等产品的自研向量检索技术，更针对 AI 原生应用的需求进行了深度优化。

把 RAG 链路拆开看，每一步（解析、拆分、Embedding、检索、重排）都有可以替换的实现。腾讯云知识引擎原子能力做的事情，本质上是把这些环节单独抽成高质量的 API，让开发者按需组合。

这篇文章不是入门教程，而是面向已经理解 RAG 全流程的 AI 应用开发者，重点聊在企业知识库问答场景下，怎么用这套原子能力，以及几个真实的取舍。

你是否有过这样的困惑？

明明记得某个知识点在某篇文章里，可当你需要它的时候，搜索引擎只能给你一堆关键词匹配的碎片。传统RAG（检索增强生成）就像一个"记性不好"的助手——你问什么，它从海量文档中找最相似的段落，但它不懂知识之间的关系。

而这恰恰是Graph RAG要解决的问题。

⚠️ 特别说明：本文是对 Graph RAG 概念的解读，源自对 AST-ASG-Graph-RAG 项目 README 的研究。该项目主要在探讨概念本身，而非一个完整的产品解决方案。

2026年过半，互联网圈那股"结构性焦虑"不但没散，反而更明确了方向。

“AI会不会取代程序员？““后端CRUD还有价值吗？"——这些讨论早已进入深水区，答案也逐渐清晰：不是后端消亡，而是后端的战场从"指令式编程"转移到了"意图驱动架构（Intent-Driven Architecture）"。 当大厂完成模型私有化，当RAG（检索增强生成）沉淀为基建，当多智能体（Multi-Agent）协同不再是实验室里的演示、而是跑在生产线上的标准范式——那些深谙高并发、分布式、领域驱动设计（DDD）的后端工程师，反而成了最稀缺的AI治理官。

RAG（Retrieval-Augmented Generation）的"检索"二字，背后是一整条工程流水线——从用户 query 出发，经过粗排、召回、精排、选样四步处理后，才把 top-K 文档喂给 LLM。这条流水线上每个环节都有专门的算法优化，但最容易出效果、也最容易被忽视的，是中间的Rerank 阶段。

本文用一张全景图把 RAG 检索流水线串起来，然后按"相关性、多样性、时效性"三个维度，对 7 种主流 Rerank 算法做横向对比。

什么是 RAG？

RAG（Retrieval-Augmented Generation，检索增强生成）是大模型应用的核心架构。它通过"检索+生成"的两阶段模式，让 AI 能够利用私有知识库回答问题，而不是仅依赖模型内部的训练数据。

跑过 RAG 的同学大概率踩过这个坑：Embedding 模型选得很好、向量库也没问题，但召回质量就是不行。

排查一圈下来，原因往往出乎意料——不是 Embedding 不行，而是用户的问题太"糙"：

"这个东西怎么用？"           ← 缺主语
"为什么我那个又不行了？"      ← 全是代词
"性能怎么样？"              ← 完全没头没尾
"a 和 b 哪个好？"           ← 缺上下文

在 AI 时代，向量数据库是 RAG（检索增强生成）系统的核心基础设施。但它究竟是如何工作的？为什么能实现"语义搜索"而非传统的关键词匹配？本文用通俗的方式解释其背后的原理。