搜索与相关性

本页解释 Nowledge Mem 中搜索的工作原理：我们如何找到匹配的记忆，按相关性排序，并从您的使用模式中学习。

评分管道

当您搜索时，Nowledge Mem 不仅仅是匹配关键词。它结合多个信号来浮现最有用的结果。

语义评分

此轨道查找与您要找的内容匹配的记忆：

• 基于含义的搜索：按语义相似性查找记忆，而不仅仅是精确词语。搜索"设计模式"并找到关于"架构方法"的记忆。
• 关键词搜索：使用 BM25 排序捕获精确短语和技术术语。
• 标签匹配：浮现带有匹配标签的记忆。
• 图遍历：通过实体和主题社区发现连接的记忆。

衰减与时间评分

此轨道根据新鲜度和您的使用情况调整结果：

• 时效性：最近访问的记忆得分更高。我们使用大约30天半衰期的指数衰减。
• 频率：您反复访问的记忆变得更加持久（对数缩放，收益递减）。
• 重要性底线：高重要性记忆即使未使用也保持最低可访问性。
• 时间匹配：提升事件时间与您查询匹配的记忆（仅深度模式）。

这些轨道组合成决定结果排序的最终分数。

记忆衰减

记忆会随时间自然消退，除非您通过使用它们来强化它们。

工作原理

时效性：昨天访问的记忆得分比三个月前的要高得多。30天的半衰期意味着如果没有访问，分数大约每月减半。

频率：您第10次访问记忆比第100次更重要。这反映了人类记忆的工作方式：早期重复建立持久性，后来的重复收益递减。

重要性底线：标记为高重要性的记忆永远不会完全衰减。即使未触及，它们也保持最低可访问性。这保护基础知识不会消失。

这意味着什么

• 活跃的知识保持新鲜
• 旧记忆不会消失——它们只是在同样相关时排名更低
• 无论访问模式如何，重要知识都会持续存在
• 系统自动从您的行为中学习

时间理解

Nowledge Mem 理解两种时间。

事件时间 vs 记录时间

事件时间是事情实际发生的时间：

• "2020年的产品发布"
• "上季度的决定"
• "在我们迁移之前"

记录时间是您保存记忆的时间。您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：您最近保存的东西（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：

模糊引用如"上季度"、"大约2020年"或"今年初"被转换为有意义的过滤器。

日期精度

当您保存关于"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

您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

• 高点击率表明记忆确实有用
• 长停留时间表明内容有价值
• 频繁展示但没有点击可能表明相关性下降

您不需要做任何特别的事情。正常使用 Nowledge Mem 即可。

图驱动的发现

知识图谱通过连接实现发现。

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

实体介导：即使标记不同，也能通过共享实体如 PostgreSQL 或索引找到关于"数据库优化"的记忆。

社区介导：关于"认证"的搜索可能会浮现您"安全实践"社区的记忆。

图扩展：从一条记忆开始，探索连接的知识。

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

Nowledge Mem 准确显示每个结果为什么排在那个位置。

搜索查询详情

每次搜索后，您可以查看您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

悬停在任何结果的分数上查看它是如何计算的分解：

• 语义分数：内容与您的查询匹配程度
• 衰减分数：基于时效性和频率的新鲜度
• 时间提升：事件时间相关性（适用时）
• 图信号：实体和社区连接

这种透明度帮助您理解您的使用模式如何影响结果，以及为什么某些记忆会为特定查询浮现。