语义记忆搜索

要解决什么问题

很多团队用 Markdown 文件给 AI 自动化平台做记忆层：决策记录、实验结论、踩坑笔记都写成一个个 .md 文件堆在仓库里。要找两周前某次决策时，唯一的办法是 grep 关键词。问题是，你记得当时讨论的是「回滚策略」，但笔记里写的可能是「先切流量再观察指标」；或者你问「上次为什么放弃方案 A」，任何关键词都匹配不到。关键词检索对措辞高度敏感，召回率直接取决于用户是否猜对了笔记里用的词。

这个技能如何工作

这个技能给 Markdown 记忆层加一层向量检索，核心能力有三：

• 语义召回：不再依赖关键词，意思相近的表述也能命中历史记录。用不同措辞提问，仍能稳定找到同一段笔记。
• 混合检索：向量负责语义召回，BM25 负责精确命中专有名词、ID、版本号这类关键词，两者互补。
• 增量索引：基于内容哈希判断文件是否变化，重复执行不会重复花 embedding 成本，记忆库可持续追加而不重建全库。

落地时建议拆成两种模式：

• 一次性试跑：先固定主题、资料来源和笔记格式，拿真实或模拟数据完整跑通一轮，验证召回效果。
• 长期自动化：开启文件监听自动同步，让索引随笔记增删改持续更新；可配本地 embedding provider，无需外部 API Key。

验收时关注三点：不同措辞提问能否稳定命中、索引能否增量更新而不重复重建、返回结果能否追溯到具体文件片段。

适用边界

• 检索质量依赖笔记质量：语义搜索解决的是「找得到」，不解决「记了什么」。笔记本身写得含糊，召回回来也是含糊的结论。
• 需要人工复核：学术、医疗、法律、金融类内容，检索结果只能作为线索，必须保留资料入口并人工复核后再用于决策。
• 高风险动作不自动执行：接入账号、数据源或执行自动化操作前，先确认权限边界。涉及删除、对外发布等操作，默认只生成建议或草稿。