搜索与相关性

搜索由多信号评分、时间衰减和反馈循环驱动。下面逐一说明。

评分管道

搜索时，Nowledge Mem 不只匹配关键词，而是综合多个信号来排列结果。

语义评分

这一组信号负责找出和你想找的内容意思对得上的记忆：

• 按含义搜索：按语义相似度查找记忆，而不只是精确字面匹配。搜索"设计模式"，也能找到关于"架构方法"的记忆。
• 关键词搜索：用 BM25 排序，抓住精确短语和技术术语。
• 标签匹配：带有匹配标签的记忆会被提上来。
• 图遍历：顺着实体和主题社区，找到相互关联的记忆。

衰减、置信度与时间评分

这一组信号会根据新鲜度、验证程度和你的使用情况来调整排序：

• 时效性：最近访问过的记忆得分更高。衰减按指数曲线计算，半衰期约 30 天。
• 频率：你反复访问的记忆会越来越稳固（按对数缩放，收益递减）。
• 重要性底线：重要性高的记忆即使没怎么用，也保有一个最低的可见度。
• 置信度：被使用过、并在知识图谱里建立了连接的记忆会得到一点加成。置信度只随证据增长，不会下降。
• 时间匹配：事件时间和你查询对得上的记忆会被提升（仅深度模式）。

这几组信号汇总成最终分数，决定结果的排序。

记忆衰减

记忆会随时间自然消退，使用即强化。

工作原理

时效性：昨天访问的记忆，得分比三个月前的高出很多。半衰期 30 天的意思是：只要不再访问，分数大约每个月减半。

频率：第 10 次访问的作用，比第 100 次大得多。早期反复访问把记忆"焊"得更牢，之后收益递减。

重要性底线：重要性高的记忆永远不会完全衰减。即使长期没访问，也保有最低的可见度，避免基础知识丢失。

搜索强化

在此之前，只有真正点开才会更新新鲜度。现在，出现在搜索结果里也算一次轻度访问，避免那些一直有用的记忆悄悄衰减下去。

置信度

和衰减各自独立，每条记忆还会积累一个置信度评分，反映它被验证到什么程度。置信度从一个基线起步，证据越多就越高：

• 搜索使用：展示次数、点击和阅读时间
• 知识图谱：被其他记忆确认或丰富的记忆，或被用作知识结晶来源的记忆

新鲜度会随时间衰减，置信度则只增不减。一条经常被访问、点击、并和其他知识关联起来的记忆，在语义匹配相当的情况下，得分会比刚创建的记忆更高。

这个影响不大（置信度约占最终评分的 5%），但能让沉淀下来的知识始终占一点先手。

这意味着什么

• 常用的知识保持新鲜，出现在搜索结果里也算
• 旧记忆不会消失，只是在同样相关时排得靠后一些
• 不管你怎么访问，重要的知识都会一直留着
• 被验证过的记忆会得到一点排名加成
• 系统会自动从你的使用习惯里学习

自动维护

为了保持衰减分数准确和记忆质量，Nowledge Mem 可以运行后台维护：

• 新鲜度刷新：每日任务重新计算所有记忆的衰减和置信度分数，使排序保持准确。启用后，每日简报包含记忆健康摘要。
• 记忆整理：每周任务识别相似或冗余记忆的聚类，可以合并、生成简洁摘要，或标记不确定的情况交由你审查。不会删除记忆，只创建关联或摘要。
• 自动归档：可选功能，将新鲜度极低、零参与度且超过 90 天的记忆移至归档状态。归档记忆仍出现在搜索中但排名更低。默认关闭。

时间理解

Nowledge Mem 理解两种时间。

事件时间 vs 记录时间

事件时间是事情真正发生的时间：

• "2020年的产品发布"
• "上季度的决定"
• "在我们迁移之前"

记录时间是你保存记忆的时间。你今天可能记录一条关于2020年事件的记忆。

这对于像"关于2020年事件的最近记忆"这样的查询很重要：你最近保存的东西（记录时间）关于2020年的事件（事件时间）。

时间意图检测

在深度模式下，系统解释时间引用：

"上季度"、"大约 2020 年"、"今年初"这类模糊说法，会被转换成实际可用的时间过滤条件。

日期精度

当你保存关于"2020年初"的记忆时，系统：

1. 规范化为可搜索的日期（2020-01-01）
2. 跟踪精度级别（年、月或日）
3. 保留原始含义以实现准确匹配

这让"2020年的记忆"（年精度）与"2020年1月的记忆"（月精度）工作方式不同。

反馈循环

你的使用模式持续改进搜索相关性。

我们跟踪什么

如何改进搜索

• 点击率高，说明这条记忆确实有用
• 停留时间长，说明内容有价值
• 经常被展示却没人点，可能说明相关性在下降

你什么都不用做，正常使用就行。

自动标签

每当你创建一条记忆，后台智能会读一遍内容，给它打上 2–4 个描述性标签。它会优先复用已有标签，并统一用小写加连字符的写法（如 machine-learning 或 project-alpha）。这样一来，记忆从创建那一刻起就归好了类，你不用自己动手标记。

图驱动的发现

知识图谱通过实体连接扩展搜索范围。

记忆如何连接

每条记忆可以链接到：

• 实体：提到的人员、概念、技术、地点
• 其他记忆：通过共享实体或关系
• 社区：图分析检测到的主题集群

通过连接搜索

经由实体：即使标签不同，也能借助 PostgreSQL、索引这类共享实体，找到关于"数据库优化"的记忆。

经由社区：搜索"认证"时，可能会带出你"安全实践"社区里的记忆。

图扩展：从一条记忆出发，顺藤摸瓜找到相关联的知识。

搜索模式

所有界面都有两种模式可用：

快速模式

• 通常不到100毫秒响应
• 直接语义和关键词匹配
• 实体和社区搜索，无需语言模型分析
• 最适合快速查找

深度模式

• 完整的语言模型分析
• 时间意图检测（例如，"最近在做的；过去十年的社交活动"）
• 查询扩展以获得更好的召回率
• 上下文感知的策略加权
• 更适合探索性搜索

两种模式都适用于主搜索、全局启动器和 API。

结果透明度

每条结果都附带排序原因。

搜索查询详情

每次搜索后，你可以查看你的查询如何被解释的详细分析：

• 使用了哪些搜索策略
• 时间意图检测结果（在深度模式下）
• 查询扩展和实体提取

分数分解

把鼠标停在任意一条结果的分数上，就能看到它是怎么算出来的：

• 语义分数：内容与你的查询匹配程度
• 衰减分数：基于时效性和频率的新鲜度
• 置信度：通过使用和图连接的验证程度
• 时间提升：事件时间相关性（适用时）
• 图信号：实体和社区连接

这帮助你理解使用模式如何影响排序，以及某条记忆为什么会出现在特定查询中。