最近在深度使用Molili的时候，相信很多人都已经感受到了极其恐怖的Token消耗素度。要稍微挂载多一点本地文件，没谈几轮对话下来就直接提示hit limit触及限制了。而且很多时候Molili的agent会非常暴力地塞一堆完全无关的历史信息进context上下文里，这样不仅极其费钱，还会严重影响AI回复的精准度。那么有没有办法让Molili的agent做到“精准回忆”，同时又能完全零成本运行呢？答案是有的。今天给大家分享一个外挂神器：qmd。这是一个可以本地运行、免费永久且检索精准度高达95%以上的终极解决方案。
qmd是由Shopify创始人Tobi专门为AI Agent开发的本地运行语义搜索引擎，底层基于Rust语言编写。它的核心功能包括了非常强大的混合搜索（BM25全文检索+向量语义+LLM重排序），因为是完全本地运行的机制，所以API调用成本为零，并且完美支持MCP集成，可以说是为Molili量身定制的插件。
废话不多说，直接上这篇Molili节省Token消耗的保姆级教程，只需3步配置，大约10分钟就能彻底搞定。
第1步：安装qmd环境
首先你的电脑上需要先配置好Bun环境，安装好Bun之后，直接在终端CMD执行以下命令：
bun install -g github:tobi/qmd
注意一点：首次运行这个命令会自动从网络下载必须的Embedding模型和Reranker模型。根据你的网络情况稍微等一会，下载完成后即可完全离线本地运行，后续再怎么折腾都不会消耗一点流量了。
第2步：创建Molili记忆库并生成embeddings
进入你的Workspace，也就是你平时存放Molili对话历史的地方，我们需要索引你的memory文件夹。让Molili依次执行以下代码：
#创建记忆库
qmd collection add memory --name daily-logs --mask “**/*.md”
#生成embeddings
qmd embed
实测这里的索引速度极快，而且全部都是在你自己的电脑本地运行不联网，所以完全不用担心个人隐私数据泄露的问题。
第3步：测试qmd搜索效果
数据跑完之后，你可以自己先在命令行测一下检索能力看看准不准：
#混合搜索（推荐，也是日常最精准的模式）
qmd query “你的搜索关键词”
#纯语义搜索
qmd vsearch “你的搜索关键词”
进阶玩法：配置MCP集成
想要让Molili的AI agent直接全自动调用qmd，我们就需要修改MCP配置文件。在你的mcporter.json文件里加上下面这段配置代码：
{
“mcpServers”: {
“qmd”: {
“command”: “/Users/你的用户名/.bun/bin/qmd”,
“args”: [“mcp”]
}
}
}
（新手提醒：如果是Windows用户，请务必把command里的路径换成你电脑对应的Bun安装绝对路径）
这段MCP集成配置好并且重启Molili后，你会发现agent已经学会主动从庞大的历史log文件中寻找最相关的段落了。它可以完美实现跨文件精准回忆，再也不用靠你手动发Prompt去提醒它之前说过什么设定。
实际效果总结
场景1：回忆用户偏好。以前Molili要回忆一个设定，可能需要把整个长达2000个Token的MEMORY.md文件全塞进上下文。现在有了qmd加持，它只会提取并返回最相关的200个Token片段，既省钱又精准，大幅度降低了Molili不必要的Token消耗。
场景2：跨文件本地知识检索。它可以自动从你所有的memory文件中精准定位并找出最相关段落，准确率极高，彻底解决了长文本检索经常出现AI幻觉或者迷失的问题。
总之，如果你在用Molili觉得Token烧得实在心疼，或者觉得Molili记忆力不佳经常前言不搭后语，强烈建议赶紧按照这个教程把qmd折腾起来，绝对能大幅提升你的日常工作效率。