2.2 KiB
2.2 KiB
title, type, tags, date
| title | type | tags | date |
|---|---|---|---|
| Semantic Memory Search | source | 2026-04-27 |
Source File
Summary（用中文描述）
- 核心主题：为 OpenClaw 的 markdown 记忆文件添加向量语义搜索能力
- 问题域：随着记忆文件增多，无法通过关键词查找语义相关内容
- 方法/机制：使用 memsearch 工具，将 markdown 文件索引到 Milvus 向量数据库，结合语义搜索 + BM25 全文搜索 + RRF 重排
- 结论/价值：实现按语义而非关键词搜索记忆，支持文件监控自动重索引，节省 API 调用的智能去重
Key Claims（用中文描述）
- memsearch 通过 SHA-256 内容哈希实现增量索引，未变化的文件不会被重新嵌入，零 API 浪费
- 混合搜索（稠密向量 + BM25）通过倒数排名融合（RRF）重排，优于纯向量搜索
- Markdown 文件始终是数据源，向量索引只是可重建的派生缓存
Key Quotes
"There is no search, just scrolling through files." — 描述 OpenClaw 记忆系统的原始痛点 "Markdown stays the source of truth. The vector index is just a derived cache — you can rebuild it anytime with
memsearch index." — 强调数据主权设计
Key Concepts
- HybridSearch：结合语义相似度（稠密向量）与关键词匹配（BM25）的混合搜索方法
- Incremental-Indexing：基于内容哈希的增量索引，只处理新增或变化的文件块
- Reciprocal-Rank-Fusion：倒数排名融合，通过综合多个搜索结果排名生成最终排序
- Vector-Embedding：向量嵌入技术，将文本编码为高维向量用于语义搜索
Key Entities
- OpenClaw：开源的 AI Agent 记忆系统，将所有记忆存储为 markdown 文件
- memsearch：基于 Milvus 的向量搜索 CLI/库，为 markdown 文件提供语义搜索能力
- Milvus：开源向量数据库，为语义搜索提供底层存储和检索支持
Connections
- memsearch ← built_on ← Milvus
- memsearch ← enhances ← OpenClaw
- semantic-memory-search ← related_to ← SecondBrain
- semantic-memory-search ← similar_pain_point ← knowledge-base-rag
Contradictions
- 无已知冲突