Batch 9: Obsidian插件/AI开源平替/Coze培训/TK面单/Ubuntu科学上网

- Sources: 5个新文档
- Concepts: ProxyChains, SOCKS5代理, Docker Daemon代理
- Index: 更新至 Batch 9
- 累计 sources: 108/182

wiki/sources/Semantic-Memory-Search.md

@@ -0,0 +1,44 @@
+---
+title: "Semantic Memory Search"
+type: source
+tags: [openclaw, memory, vector-search, milvus]
+date: 2026-04-16
+---
+
+## Source File
+- [[raw/Agent/usecases/semantic-memory-search.md]]
+
+## Summary
+- 核心主题：为 OpenClaw Markdown 记忆文件叠加向量语义搜索能力
+- 问题域：OpenClaw 记忆以纯 Markdown 存储，缺乏语义搜索；grep 只能关键字匹配，无法语义匹配
+- 方法/机制：memsearch（基于 Milvus）提供混合搜索（dense vectors + BM25 + RRF reranking）；SHA-256 内容哈希实现增量索引；支持本地化（无需 API key）
+- 结论/价值：用自然语言提问即可找到相关记忆，无需精确关键词；Markdown 始终为唯一真相源
+
+## Key Claims
+- 混合搜索（语义相似度 + BM25 关键词 + RRF 融合）优于纯向量搜索
+- SHA-256 内容哈希保证只对新增或变更内容重新 Embedding，零浪费
+- 文件监视器自动增量索引，索引始终保持最新
+- 支持任意 Embedding 提供商（OpenAI/Google/Voyager/Ollama/本地）
+- Markdown 为唯一真相源，向量索引仅为衍生缓存，可随时重建
+
+## Key Quotes
+> "Your markdown files are never modified. The vector index is just a derived cache — you can rebuild it anytime with memsearch index."
+
+## Key Concepts
+- [[语义搜索]]：通过向量表示理解语义而非字面匹配，实现"按意思查找"
+- [[混合搜索]]：Dense vector（语义）+ BM25（关键词）+ RRF（Reciprocal Rank Fusion 融合）三层检索
+- [[增量索引]]：基于内容哈希（SHA-256）仅对变化文件重新 Embedding
+- [[向量数据库]]：Milvus，开源分布式向量数据库，memsearch 后端
+
+## Key Entities
+- [[memsearch]]：Zilliz 开源 Python CLI/库，为 OpenClaw 记忆提供语义搜索能力
+- [[Milvus]]：memsearch 使用的向量数据库后端
+- [[OpenClaw]]：记忆文件来源，Markdown 为源，memsearch 在其上构建搜索层
+
+## Connections
+- [[Personal-Knowledge-Base-RAG]] ← 类似架构 ← [[Semantic-Memory-Search]]（均叠加向量搜索层）
+- [[QMD]] ← 替代方案 ← [[Semantic-Memory-Search]]（均为 Markdown 提供搜索能力，但 QMD 为 BM25，memsearch 为向量语义）
+- [[Memory-in-AI-Agent]] ← 相关 ← [[Semantic-Memory-Search]]
+
+## Contradictions
+- 与 [[QMD]]：QMD 是 BM25 关键词搜索，memsearch 是向量语义搜索；两者可互补而非互斥