向量检索

几个先撂在这儿的结论 AI 越强，知识浪费越严重。 以前一天产出几千字文档，现在和 AI 对话轻松上万字。但这些"对话态"的知识，绝大多数产生之后就蒸发了——窗口一关，就不再看了。 记住一切等于什么都没记住。筛选和遗忘，才是记忆的精髓。 这是我搭建知识系统过程中悟到的。不是要把所有东西都存下来，而是让系统知道什么该记住、什么该放手。 我已经好多年没用过纸质笔记本了。 虽然到现在还会忍不住买精美的本子和笔，买完往书架上一放，供着。但真要记东西，我不会去翻那些本子。写在纸上的内容，写完那一刻就开始沉睡了。 BTW，这篇文章基于我自己搭建的一套记忆系统实践，有代码、有踩坑经验，不是纯理论空谈。 你的知识，散落在哪里？ 你的知识现在大概分布在这些地方： Obsidian/Notion/飞书/语雀 里的笔记（如果你有坚持写的话） 散落各处的项目文件夹（可能叫 project_v2_final_真的最终版） 和 AI 的聊天记录（窗口一关，灰飞烟灭） 纸质笔记本里面 大脑里（众所周知，这个存储介质的可靠性不太行） 这些知识之间基本是孤岛状态。上周和 Claude 讨论的细节，这周换个 session 就得从头解释。去年踩过的坑写的复盘，今年遇到类似场景，完全想不起来那份文档存在哪里。 这就是我们要解决的问题：Agent 时代，个人知识管理到底该怎么搞？ 第一章：为什么现在必须重视知识管理 知识管理不是新鲜话题。 那为什么到了 2025、2026 这个节点，这事又变得有意思起来了？ 因为 AI Agent 既是知识的消费大户，也是生产大户。 以前你写一份技术方案，可能就自己看看、存个档。现在不一样了——你和 Agent 之间一天可能产生上万字的交互。这些对话里藏着你的偏好、决策逻辑、踩过的坑，全是有价值的东西。 但 Agent 默认不会帮你留住这些。关掉窗口，一切归零。 这就是问题所在：Agent 越强，知识浪费越严重。 举个例子：我最近在探索智能知识管理，和大模型讨论了几十上百个 session。每个 session 里都有重要的技术决策：为什么选择 Pinecone 而不是 Milvus、向量维度从 768 调到 1024 的理由、混合检索的权重参数怎么设…… 如果这些东西没有系统性地沉淀下来，三个月后再维护这个系统，我得重新和 AI 解释一遍所有背景。这就是巨大的隐性成本。 第二章：传统知识管理的三个死穴 在聊怎么做之前，先看看传统方案哪里不行。 2.1 文件夹模式：人能记住，机器搜不到 最原始的方式：按项目、按日期建文件夹，文档往里扔。 这个方案的最大问题是检索靠记忆。你知道三个月前写过一份PPT，但记不清放在哪个目录的哪个子文件夹里。搜文件名？关键词可能没对上。全文搜索？几万个文件扫一遍，跳出来一堆不相关的结果。 更要命的是跨项目复用几乎不可能。A 项目总结的经验教训，B 项目需要时，你压根不知道它存在。 ...

情境：想象你正在和一个聪明的助手合作一个持续数月的项目。每次开启新会话，你都需要重新交代背景：“我们用 Python 开发”、“上次讨论的那套错误处理方案”、“别忘了我的代码风格偏好”。 这就是当前大多数 AI 助手的真实处境——它们拥有海量知识，却缺乏对你个人的长期记忆。 第一章：NanoClaw 原有的记忆机制——文件即记忆 要理解我们为什么要重构记忆系统，必须先看清现状。 NanoClaw 是一款基于容器隔离的 AI 助手框架，它的核心设计哲学是极简与安全：每个工作群组拥有独立的文件系统沙盒，Agent 在完全隔离的容器中运行，通过挂载机制访问受限的资源。 在这种架构下，记忆被实现为一种文件中心式的朴素方案： 1.1 CLAUDE.md：人工维护的静态记忆 每个群组目录下都有一个 CLAUDE.md 文件，这是 NanoClaw 最初唯一的持久化记忆载体。 图1：V1 架构下，记忆完全依赖人工编辑的 Markdown 文件。用户需要手动整理项目背景、编码规范、历史决策，Agent 被动读取。 它的工作方式极其直白：系统启动容器时，将 CLAUDE.md 的内容完整注入系统提示词。这意味着： 人工维护负担重：用户必须主动整理和更新文件内容 无法自动沉淀：对话中产生的新知识、新偏好不会自动被记录 全量加载浪费：无论当前任务是否需要，整个文件都会被塞进上下文 1.2 SQLite 消息库：仅存的对话痕迹 NanoClaw 确实记录了所有对话消息，存储在本地 SQLite 数据库中。但查看 src/db.ts 的实现会发现： // 消息仅被原样存储，无任何结构化提取 export function storeMessage(msg: NewMessage): void { const sql = ` INSERT INTO messages (chat_jid, sender_jid, content, timestamp, is_from_me) VALUES (?, ?, ?, ?, ?) `; db.prepare(sql).run( msg.chatJid, msg.senderJid, msg.content, msg.timestamp, msg.isFromMe ? 1 : 0 ); } 这些消息只是流水账式的存档，没有被转化为可检索、可关联的结构化记忆。当 Agent 需要回顾历史时，它面临的是成千上万条未经整理的原始对话，而不是精炼的知识条目。 ...