---
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