Update nexus: fix conflicts and sync local changes

wiki/concepts/Semantic-Search.md

@@ -1,36 +1,36 @@
----
-title: "Semantic Search"
-type: concept
-last_updated: 2026-04-22
----
-
-## Definition
-
-基于 Embedding 向量模型将文本编码为高维向量，通过向量相似度（如余弦相似度）而非关键词匹配来检索相关内容的搜索方式。相比 BM25/BM25 等传统关键词检索，能捕捉语义层面的相关性，例如"我保存的关于 LLM memory 的内容？"能匹配到讨论 agent 记忆机制的文章，即使两者用词不同。
-
-## How It Works
-
-```
-用户查询 → Embedding 模型编码 → 高维向量
-文档库 → Embedding 模型编码 → 文档向量集合
-↓
-向量相似度计算（ANN 索引）→ Top-K 结果 → LLM 回答
-```
-
-## Components
-
-| 组件 | 说明 |
-|------|------|
-| Embedding 模型 | text-embedding-3-small、BGE、Sentence-BERT 等 |
-| ANN 索引 | FAISS / HNSW / ScaNN，实现十亿级向量近实时检索 |
-| 相似度度量 | 余弦相似度 / 点积 / 欧氏距离 |
-
-## Why It Matters in RAG
-
-关键词搜索依赖字面匹配，容易漏掉同义词/多义词场景。语义搜索理解查询意图，使 [[Knowledge-Base-RAG]] 返回真正相关结果而非机械的字面匹配。
-
-## Connections
-
-- [[Knowledge-Base-RAG]] — 语义搜索是知识库 RAG 的检索层
-- [[Vector-Embedding]] — 语义搜索的底层编码技术
-- [[Hybrid Search]] — 向量检索 + BM25 关键词检索融合，进一步提升召回率
+---
+title: "Semantic Search"
+type: concept
+last_updated: 2026-04-22
+---
+
+## Definition
+
+基于 Embedding 向量模型将文本编码为高维向量，通过向量相似度（如余弦相似度）而非关键词匹配来检索相关内容的搜索方式。相比 BM25/BM25 等传统关键词检索，能捕捉语义层面的相关性，例如"我保存的关于 LLM memory 的内容？"能匹配到讨论 agent 记忆机制的文章，即使两者用词不同。
+
+## How It Works
+
+```
+用户查询 → Embedding 模型编码 → 高维向量
+文档库 → Embedding 模型编码 → 文档向量集合
+↓
+向量相似度计算（ANN 索引）→ Top-K 结果 → LLM 回答
+```
+
+## Components
+
+| 组件 | 说明 |
+|------|------|
+| Embedding 模型 | text-embedding-3-small、BGE、Sentence-BERT 等 |
+| ANN 索引 | FAISS / HNSW / ScaNN，实现十亿级向量近实时检索 |
+| 相似度度量 | 余弦相似度 / 点积 / 欧氏距离 |
+
+## Why It Matters in RAG
+
+关键词搜索依赖字面匹配，容易漏掉同义词/多义词场景。语义搜索理解查询意图，使 [[Knowledge-Base-RAG]] 返回真正相关结果而非机械的字面匹配。
+
+## Connections
+
+- [[Knowledge-Base-RAG]] — 语义搜索是知识库 RAG 的检索层
+- [[Vector-Embedding]] — 语义搜索的底层编码技术
+- [[Hybrid Search]] — 向量检索 + BM25 关键词检索融合，进一步提升召回率