你有沒有發現一件有點傷感的事：每次重新打開 Claude 或 ChatGPT，它好像都是「第一次見到你」。昨天才教過它的事、上週一起做的決定、你專案裡那些只有你們倆才懂的眉角——下一個視窗開起來，全都忘光了。你只好再解釋一次、再貼一次背景、再從頭來過。而這半年，最多人拿來解決這個痛點的方法，叫做「Obsidian QMD 記憶系統」。
這就是 AI 最大的軟肋之一：它沒有長期記憶。而 2025 年底，Shopify 的執行長 Tobi Lütke 丟出了一個叫 QMD 的小工具，搭配大家熟悉的筆記軟體 Obsidian，意外變成這半年最熱門的「幫 AI 裝記憶」方案。這篇文章不寫一行你看不懂的程式碼，只用最白話的方式，帶你從零搞懂：所謂的「Obsidian QMD 記憶系統」到底是什麼，它怎麼讓 AI 不再失憶，以及——你到底適不適合用它。
這是 AlphaLab「AI 教學」系列的一篇，專為完全沒有技術背景的讀者寫。看完你會有一個清楚的心智模型，知道這套東西在解決什麼問題、背後的原理、怎麼動手試，以及它老實說有哪些坑。本文無業配內容。
先說結論：一句話記住它
如果你只想帶走一句話，就是這句——它也是整篇文章的骨幹：
🧠 AI 的記憶 ＝ Obsidian（一個放筆記的資料夾）＋ QMD（一個會「看懂意思」的本地搜尋引擎）
再加三句你該記得的重點：
- AI 的「記不住」，其實不是「存不下」，而是「找不到」。記憶問題，本質上是檢索問題——東西早就寫在某個檔案裡了，重點是 AI 能不能在對的時候把對的那一頁翻出來。
- Obsidian 負責「存」，QMD 負責「找」。Obsidian 把記憶存成你看得懂、可以親手改的純文字筆記；QMD 則是讓 AI 用「意思」而不是「一模一樣的字」去搜尋這些筆記。
- 全部在你自己的電腦上跑，不上雲端、不用 API 金鑰。你的筆記不會被傳出去，甚至可以離線使用。
為什麼你的 AI 總是「失憶」？問題不在記不住，而在找不到
要懂這套系統補了什麼，得先搞懂 AI 為什麼會忘。你平常用的 ChatGPT、Claude，背後是一個大型語言模型（LLM）。它很聰明，但它有一個天生的限制：它一次只能「看見」眼前這個對話視窗裡的文字。這個視窗的容量叫做 context（脈絡），它是有上限的。
用一個比喻：LLM 就像一個記性極差、但反應極快的天才。你跟他講話的時候，他句句到位；可是你一離開房間，他就把剛剛聊的全忘了。下次你再進來，得從頭自我介紹。所以你會一直有種「教過的它又忘了」的挫折感——不是它笨，是它根本沒有一本「翻得回去的筆記本」。
那直覺的解法是：把所有過去的紀錄全部塞回對話視窗給它看，不就好了？問題是，視窗裝不下這麼多東西；就算硬塞，每次都把一大疊資料餵進去，又慢又貴（AI 是按「處理多少文字」收費的，這也是為什麼我們寫過一篇 省 token 攻略）。所以真正的關鍵不是「存多少」，而是——當 AI 需要某段記憶的時候，怎麼只把「相關的那一小段」精準地遞給它？這就是檢索。Obsidian QMD 記憶系統，整套設計都是在回答這個問題。
先認識兩個主角：Obsidian 與 QMD
Obsidian：把你的記憶存成「純文字筆記」
Obsidian 是一款很受歡迎的筆記軟體。它最大的特色是：你的筆記不是鎖在某家公司的雲端資料庫裡，而是一堆放在你電腦上的純文字檔（副檔名是 .md，也就是 Markdown）。這一整個資料夾，Obsidian 叫它 vault（保險庫）。
純文字檔聽起來很樸素，但這正是它的優點：
- 你看得懂、改得動。用任何文字編輯器打開就能讀，不是一堆機器才看得懂的亂碼。AI 寫進去的「記憶」，你隨時可以親自檢查、修正、刪掉。
- 可以做版本控管（git）。就像遊戲存檔一樣，每一次修改都有紀錄，改壞了能還原。
- 筆記之間可以「互相連結」。Obsidian 用一種叫 wikilink 的寫法，把相關的筆記串成一張網（它甚至能畫成漂亮的關係圖）。這讓 AI 不只看到一張紙條，還能順著線索找到相關的其他紙條。
換句話說，Obsidian 就是 AI 的筆記本：記憶寫在這裡，而且是用「人看得懂的字」寫的。
QMD：Shopify 執行長親手做的「本地語意搜尋引擎」
光有一本厚厚的筆記本還不夠——筆記越寫越多，怎麼快速翻到對的那一頁？這就是 QMD 登場的地方。
QMD（全名 Query Markup Documents）是一個專門搜尋 Markdown 筆記的小型搜尋引擎，它的官方標語很傳神：「一個放在你裝置上、用來記住一切的搜尋引擎」。有趣的是，它的作者是 Tobi Lütke——也就是電商巨頭 Shopify 的創辦人兼執行長（這不是同名同姓的巧合，他用自己的 GitHub 帳號 tobi 發布，npm 套件掛在他名下，他也在自己的 X 帳號公開介紹過）。一個上市公司 CEO 在工作之餘寫的開源小工具，半年就累積了數萬顆星星，本身就是個有趣的故事。
對你來說，只要記住 QMD 扮演的角色：它是 AI 的「找筆記能力」。它把你那一整個 Obsidian 資料夾「讀過一遍、建好索引」，之後 AI 想找東西時，QMD 能在不到一秒內，從幾百則筆記裡撈出最相關的那幾則。而且——它完全在你自己的電腦上運作，不需要連雲端、不用申請任何 API 金鑰，你的筆記一個字都不會外流。
QMD 的核心：把三種搜尋合而為一
QMD 厲害在哪？關鍵在它同時用了三種搜尋方法，再把結果合起來。聽起來技術，但拆成白話其實很好懂：
- ① 關鍵字搜尋（BM25）——就是傳統的「找一模一樣的字」，但比單純的 Ctrl+F 聰明：它會考慮「這個字出現得多頻繁」以及「這個字有多稀有」，越罕見又越常出現的字，分數越高。簡單說，它幫你把最對味的關鍵字結果排到前面。
- ② 語意搜尋（向量搜尋）——這是真正的魔法。電腦會把每一段文字轉換成一串代表「意思」的數字（這個動作叫「embedding／嵌入」）。意思相近的文字，數字也會相近。所以就算用字完全不同，它也找得到：你問「我之前怎麼解決睡不著的問題」，它能翻出一則標題叫「失眠筆記」、內文根本沒寫「睡不著」三個字的紀錄。
- ③ LLM 重新排序（re-ranking）——前兩步撈出一批候選後，再請一個小型 AI 模型像評審一樣，把最相關的重新排到最前面。
用一個比喻收尾，你就懂為什麼這比傳統搜尋好用：傳統的關鍵字搜尋（grep），像是你在圖書館裡，挨著書背一本一本找有沒有印著某個字的書——你搜「sleep」，連程式裡的 sleep() 指令都翻給你，吵死了。而 QMD 像一位真正讀懂你問題的圖書館員，直接把最相關的三本書抽出來遞給你。對「記憶」這種需要靠意思回想的場景，你要的正是後者。
再強調一次：這三種方法用到的小模型，全部跑在你自己的電腦上（QMD 第一次使用時會下載大約 2GB 的模型檔，下載完之後就能離線運作）。
它們怎麼合作？一套會「自己翻筆記」的記憶流程
把兩個主角合起來，整套「記憶系統」其實就是一個會自己翻筆記的助理。流程長這樣：
拆開來看是四個動作：
- ① 寫進筆記庫：把值得記住的東西——專案決定、踩過的坑、你的偏好、慣用指令——寫成一則則 Markdown 筆記，存進 Obsidian 資料夾。（這些可以你自己寫，也可以讓 AI 幫你整理後寫進去。）
- ② 建立索引：QMD 把整個資料夾「讀一遍」，替每則筆記算好那串代表意思的數字。這步叫
embed，第一次比較久，之後只有改動的部分要更新。 - ③ 需要時才語意查詢：當你跟 AI 聊到某個主題，AI 會先用 QMD 搜一下相關筆記，拿回一份「最相關的前幾則」清單。
- ④ 只讀回相關那幾頁：AI 接著只去讀那幾則筆記的內容，而不是把整本筆記塞進腦袋。
第④步是整套系統最聰明、也最省錢的設計，業界叫它分層載入（tiered loading）。意思是：每次對話一開始，AI 只先載入一份「輕量目錄」——幾則關鍵筆記的摘要、檔名清單、最近的進度——而不是把整個資料夾倒進去。真正要用到某段記憶時，才透過 QMD 精準撈出那一小段來讀。
這就是為什麼就算你的筆記長到幾百則，每次對話的成本也不會跟著爆炸——AI 花的力氣，只跟「這次問題相關的內容有多少」有關，跟「記憶總量有多大」無關。這正好對症下藥地解決了我們前面說的那個「視窗裝不下、硬塞又貴」的難題。
Obsidian QMD 記憶系統和 Claude Code 內建記憶差在哪？
這裡要先幫你打個預防針，免得你白花力氣。如果你用的是 Claude Code（在終端機裡會自己讀檔、寫程式的那個 AI 工程師），它本身就已經有一套記憶機制了：你可以寫一個 CLAUDE.md 檔告訴它專案規則，它也有「自動記憶」功能會把學到的事寫成 Markdown。
注意到了嗎？Claude Code 內建記憶，存的也是純 Markdown——所以「存」這件事它早就會了。那 QMD 補的是什麼？補的是「找」。Claude Code 內建記憶有個現實限制：它的主記憶檔每次會被「整份」讀進來，所以不能太肥（官方建議控制在 200 行內），更深的內容它只能靠土法煉鋼的關鍵字搜尋或逐檔翻找——沒有語意搜尋這一層。而 QMD 正好是把這層聰明的檢索能力，外掛到同一套「Markdown 存在本機」的模式上。
放大到整個「AI 記憶」市場，你還會聽到 Mem0、Cognee、Pinecone 這些名字。下面這張表幫你一次看懂它們的差別，重點看「資料存哪、怎麼找、你看不看得懂、要不要錢」這四件事：
看懂這張表，你就能做決定了。簡單給個「選 X 如果……」的口訣：
- 選 Obsidian ＋ QMD，如果你想要全部留在本機、保有隱私，想要記憶是自己看得懂、改得動、能版本控管的純文字，而且你的筆記已經多到「純關鍵字搜尋常常找不到」的程度。
- 直接用 Claude Code 內建記憶就好，如果你的專案記憶還很小、用關鍵字就找得到——它免費、內建、零設定，沒必要殺雞用牛刀。
- 選 Mem0，如果你想要全自動幫你從對話裡抽取重點、不想自己整理筆記（代價是部分方案要上雲端、可能要付月費）。
- 選 Cognee，如果你在意的是「人、專案、團隊之間的關係網」，而不只是關鍵字回想（代價是它是給工程師用的 Python 框架，門檻較高）。
動手玩：最小可用的 Obsidian QMD 記憶系統（4 步上手）
講了這麼多，來看怎麼真的跑起來。先把醜話說在前面（很重要）：這不是「人人都能無腦點兩下」的工具，而是「願意動手的人」的低程式碼方案。動手前先確認你能接受這幾件事：
- 你得會用「終端機／命令列」（就是那個黑底白字、要打指令的視窗），而且電腦上要裝好 Node.js 22 以上版本。
- Mac 體驗最順（會自動用到顯示晶片加速）；Windows 要多花一點功夫（截至 2026 年中，在 Windows／WSL2 上若沒手動裝好對應的 NVIDIA CUDA 驅動，語意搜尋一次可能要等到 80 秒以上，見官方 issue #141）。
- 第一次使用會下載約 2GB 的模型檔，請預留硬碟空間和一點耐心。下載完之後就都在本機跑、可離線。
能接受的話，最小可用設定其實只要 4 步：
對照著看每一步的指令（截至 2026 年 6 月，QMD 仍在快速更新，實際指令請以 官方 README 為準）：
- 第 1 步｜安裝 QMD：在終端機輸入
npm install -g @tobilu/qmd。⚠️ 這裡有個超容易踩的雷：專案在 GitHub 上叫tobi/qmd，但要安裝的套件名是@tobilu/qmd——別手滑打成npm install qmd，那是別的東西。 - 第 2 步｜指向你的筆記並建索引：用
qmd collection add ~/notes --name notes告訴它你的筆記資料夾在哪，再跑qmd embed建立索引（這步第一次會下載模型、比較慢，是正常的，不是當機）。 - 第 3 步｜語意查詢：試試
qmd query "我們之前決定用哪個方案？"。query是「三招合一」的完整模式；想要快、只比對關鍵字就用qmd search，只比意思就用qmd vsearch。 - 第 4 步｜接進 Claude Code：把 QMD 當成一個「插件」插到 AI 上。最簡單是用官方外掛：
claude plugin marketplace add tobi/qmd再claude plugin install qmd@qmd。插好後，Claude Code 裡就會多出mcp__qmd__query、mcp__qmd__get、mcp__qmd__multi_get等工具可用。
這裡的「插件」靠的是一個叫 MCP（Model Context Protocol）的標準。你可以把 MCP 想成Claude Code 身上的 USB 插孔——QMD 就是一個你插上去的裝置，插上後 AI 隨時能「伸手去用」它來回想事情。
如果你想要的不只是手動查詢，而是一套會「自己寫日記」的全自動系統——每次工作結束自動把這次的對話整理成筆記、下次開場又自動回顧重點——那可以直接套用社群現成的開源模板 obsidian-mind。它額外設定了一組 Claude Code 的「hooks（觸發器）」：在你每次寫／改筆記後自動重新索引、在每次對話開場自動注入精簡脈絡、在收尾時做整理。建議的順序是：先用上面的 4 步把 QMD 跑起來、確認你喜歡這個模式，再考慮上 obsidian-mind 這種完整模板，不然一開始就裝一大包很容易卡關。
老實說：限制、成本與你該有的期待
任何工具的教學，如果只講好處，那是廣告不是教學。這套系統有幾個你一定要先知道的真相：
- 它不是雲端魔法，是在你電腦上跑的程式。那大約 2GB 的模型要佔記憶體和運算力。完整的「語意查詢」是幾秒鐘，不是瞬間（這是它刻意的取捨）；只想快的話，純關鍵字的
search幾乎是即時的。 - 平台差很多。Mac 上開箱即用、很順；Windows 上若沒設定好可能慢到難以接受（見前面的 80 秒案例）。動手前先評估你的機器。
- 它只負責「找」，不是一個完整的記憶大腦。作者本人就把 QMD 定位成「檢索基礎設施」——它不會自動判斷哪則筆記過時、不會自動合併互相矛盾的記憶、也不會幫你驗證內容真假。「垃圾進、垃圾出」：你筆記寫得亂，找回來的也是亂的。
- 記憶會長霉，要定期整理。筆記越堆越多，會出現孤兒筆記、失效連結、過時內容；索引也要時不時重建（
qmd update/qmd embed）。把它當一座要定期除草的花園，而不是丟進去就不管的倉庫。 - 它很新、很會變。QMD 截至 2026 年中才約半年大，已經改過一次工具名稱（舊版的
search／vector_search等在 v1.1.0 被換掉）。指令、模型、設定都可能再變——照任何教學（包括這篇）操作前，請以官方最新 README 為準。
常見問題 FAQ
我完全不會寫程式，能用嗎？
老實說，有點門檻。你不需要會「寫」程式，但需要願意打指令、看得懂英文錯誤訊息、會跟著步驟設定。如果這些對你還很陌生，建議先從 Claude Code 內建的 CLAUDE.md 記憶玩起，等熟悉終端機之後再來碰 QMD。
要花錢嗎？
QMD 本身完全免費、開源（MIT 授權），而且全在本機跑，不用付任何 API 費用。Obsidian 個人使用也免費。唯一的「成本」是你電腦的硬碟空間（約 2GB 模型）和運算力。
我的筆記會被上傳到雲端嗎？
不會。這正是它最大的賣點之一：QMD 用的搜尋模型全部在你自己的電腦上運作，不連任何外部伺服器、不需要金鑰，甚至可以離線使用。你的筆記內容不會外流。
QMD 和 Claude Code 內建的 CLAUDE.md 記憶有什麼不同？
差別在「找」，不在「存」。兩者存的都是純 Markdown。但 Claude Code 內建記憶只能整份載入或靠關鍵字翻找，沒有語意搜尋；QMD 補上的就是「用意思找筆記」這一層聰明的檢索能力。記憶量小用內建的就夠，量大才需要 QMD。
一定要用 Obsidian 嗎？
不一定。QMD 認的其實是「一個裝著 .md 檔的資料夾」，它不在乎你用什麼軟體寫。Obsidian 只是一個很好用的前端，額外給你漂亮的關係圖和連結功能。你也可以用任何文字編輯器管理那個資料夾。
這是 Shopify 的官方產品嗎？
不是。QMD 是 Shopify 執行長 Tobi Lütke 的個人開源專案，不是 Shopify 公司推出的產品，也沒有公司級的客服或保證。把它當成「一位很強的工程師在 GitHub 上免費分享的好用工具」來看待就對了。
我在別的文章看到「OpenClaw」，它是這套系統的一部分嗎？
不是，你不需要它。OpenClaw 是另一個完全不同的東西（一個透過通訊軟體操作的自動化 AI 代理），有些文章只是拿它當吸睛的標題。本文教的主角是 Claude Code ＋ Obsidian ＋ QMD，跟 OpenClaw 沒有關係，別被搞混了。
記憶找回來的內容一定正確嗎？
不保證。語意搜尋有時會漏掉、或撈到不太對的筆記，尤其是精確的編號、代碼、專有名詞。把 QMD 找回來的記憶當成「很好的起點」，重要的事還是要自己再確認一次。
給新手的 3 個重點
如果這篇你只記得三件事，請記這三件：
- ① 記憶問題＝檢索問題。AI 不是存不下，是「需要的時候找不到」。整套系統都是在解決「怎麼把對的那一頁，在對的時候遞給它」。
- ② Obsidian 存、QMD 找，而且全在本機。記憶是你看得懂、改得動的純文字，跑在自己電腦上、不外流——這是它跟雲端方案最大的不同。
- ③ 先小再大，而且老實面對門檻。先用最小的 4 步把 QMD 跑起來，再考慮完整模板；它是「願意動手者的低程式碼方案」，不是無腦工具。設定前永遠以官方最新文件為準。
結語：當 AI 開始記得你
回到開頭那種「教過的它又忘了」的挫折。現在你知道了：那不是因為 AI 笨，而是因為它少了一本翻得回去的筆記本，和一個會幫它翻到對的那一頁的助理。Obsidian 是那本筆記本，QMD 是那個助理——合起來，AI 才終於從「每次都重新認識你的天才」，變成「記得你們一起做過什麼的夥伴」。
而最迷人的一點是：這套「記憶」不是鎖在某家公司黑盒子裡的神秘資料，而是一疊你親手寫得出、看得懂、改得動的純文字。當 AI 的記憶變得透明、可檢查、屬於你自己——這或許才是「個人 AI」真正該有的樣子。
👉 想把 AI 真正用進你的工作流？延伸閱讀我們的新手系列：
- Claude Token 省錢攻略 —— 搞懂「分層載入」為什麼能省錢，這篇講透 token 成本怎麼控制。
- AI Agent Harness 是什麼？ —— 從零搞懂讓 AI「會做事」的執行層，記憶正是它的一塊拼圖。
- Claude vs Claude Code vs Claude Cowork 完整比較 —— 本文主角 Claude Code 到底是什麼、跟其他版本差在哪。
- Hermes Agent 是什麼？ —— 另一個你會聽到的 AI Agent 名詞，一次搞懂。
- AlphaLab 線上課程 —— 矽谷工程師打造的系統設計 ＋ Coding 實戰營，AI 時代的職涯護城河。
- AI 主題總覽 —— 更多 AI Agent、Claude 與工具教學。
免責聲明：本文為教育與觀念普及目的，不構成任何投資、商業或技術採用建議，本文無業配內容。QMD 為一個快速演進中的開源專案，文中提及的指令、套件名稱、模型與功能截至 2026 年 6 月，後續版本可能變動，實際操作請以 QMD 官方 README 為準。AI 系統具有輸出錯誤資訊的可能，重要決策請由人類複核後執行。資料來源包含 QMD 官方專案（tobi/qmd）、obsidian-mind 開源模板、Obsidian 官網 與 Claude Code 官方記憶文件。