Skip to main content
Nowledge MemNowledge Mem

搜索与相关性

Nowledge Mem 的搜索与排序机制

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。

Nowledge Mem 评分管道

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

自 v0.6.6 起

从 v0.6.6 开始,每次搜索展示都会更新记忆的最后访问时间和访问次数,自动增强其新鲜度分数。

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

自 v0.6.7 起

置信度评分在每日新鲜度刷新时计算。

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

自 v0.6.6 起

这些功能为可选启用,位于设置 → 处理 → 高级。

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。它只更新分数,不会归档、合并、删除或改写记忆。
  • Memory Maintenance:先审查再维护的任务,用来发现记忆增长压力。它会在 Timeline 里准备审查建议:低风险事实/事件可以移出日常召回,重要的偏好、决定、流程、计划、经验和上下文则进入语义整理。
  • 记忆整理:每周任务识别相似或冗余记忆的聚类,可以创建关联、摘要或审查项。它不会静默删除你保存的记忆正文。

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

深度模式功能

时间意图检测需要深度模式搜索。在快速模式下,时间引用仅按关键词匹配。

在深度模式下,系统解释时间引用:

查询理解
"2023年的决定"事件时间:2023
"最近的记忆"记录时间:最近
"关于2020年的最近记忆"事件:2020,记录:最近
"迁移之前"事件:在那个事件之前

"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

信号捕获的内容
展示次数记忆在结果中出现的频率
点击当你打开记忆查看详情时
停留时间你花多长时间阅读

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

自 v0.6.7 起

创建新记忆时自动分配标签。

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

搜索查询详情

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。

On this page