向量检索
向量检索是一种将数据（文本、图像、音频等）转化为高维数值向量，并通过计算向量间相似度（如余弦相似度、欧氏距离）来检索语义相关内容的技术。与传统关键词匹配不同，向量检索能够捕捉语义层面的相关性，支持模糊查询和跨模态检索，广泛应用于信息检索、推荐系统、问答系统及大规模语义搜索等领域。
核心事实
时间轴 (近 90 天)
向量检索匹配语义，传统关键词检索匹配字面词，这是RAG能回答“换个说法也能找到”这类问题的原因。
团队把知识清洗阶段提取的信息作为向量检索的元数据过滤条件，使召回不止依据语义相似，还能结合业务属性筛选。
向量检索（粗排）速度快，但缺乏深度语义理解，可能召回不相关内容，因此需要重排（re-rank）进行精排。
实际向量检索系统中通常设置全局固定的相似度阈值来过滤低质量结果，但阈值难以适配不同查询的语义需求。
向量检索在知识库无法回答查询时仍会返回语义上「看起来相关」的片段，大模型可能因此编造答案。
该系统的知识库检索采用向量检索加精确匹配的混合方案，先计算语义相似度，再按紧急程度和知识新鲜度进行二次排序。
向量检索的局限包括检索质量依赖嵌入模型的语义理解能力，且无法保证召回所有关键信息，存在记忆遗漏的风险。
向量检索的流程是把文档切分成块，用嵌入模型把每块转成向量存入向量数据库，查询时把问题也转成向量，按相似度召回最接近的若干块。
自动关联在工程上通常依赖向量检索与语义相似度计算：将笔记切分后转为向量，再根据余弦相似度建立连接。
对于非结构化文本占比极高的场景，知识图谱的覆盖率可能不如纯向量检索灵活。
还有 40 条时间轴事件
全部知识事实 (20)
语义搜索将文本转换为高维向量，通过计算余弦相似度找出最相关的结论，使得不同表述方式的查询也能命中语义相符的结果
80%已验证向量数据库将文本内容通过嵌入模型（Embedding Model）转化为高维数值向量，检索时通过余弦相似度等算法找出语义最接近的内容
80%已验证向量检索捕捉的是语义相关性而非字面匹配，这是它与关键词搜索的本质区别
75%已验证语义相近的文本在向量空间中距离也相近，这是向量检索的数学基础
70%已验证Cursor使用嵌入模型将整个代码库转化为可搜索的向量空间来实现语义搜索
70%已验证在 RAG 场景下，如果索引中存在相互矛盾的信息，向量检索无法自动判断哪段内容更可信，会将两者都纳入生成上下文导致回答混乱
65%已验证语义搜索即使查询词与文件内词汇不同，只要意思相近也能匹配，与关键词全文检索有本质区别
65%已验证基于语义相似度的向量检索擅长找到'说的像'的内容，却难以捕捉信息之间的因果链、时序依赖和层级结构
65%已验证知识图谱基于图的结构化数据结构，构建复杂度远高于向量方案，但能精准表达实体间的关系
65%已验证提高 Skill 描述的区分度可提升命中率，写法应从'这个Skill是什么'转变为'什么时候用它'
65%已验证关键词搜索基于精确字符匹配无法理解同义词，语义搜索依赖向量嵌入可捕捉语义关联，两者结合的混合检索效果优于单一方法
65%已验证实际生产中通常会结合向量相似度和关键词匹配两种方式进行混合检索
65%已验证Agent框架通过工具调用、检索增强生成（RAG）、记忆管理系统、规划与反思机制来弥补大语言模型的固有限制
65%待验证向量检索无法精准匹配无语义的业务编号和专业术语，这是技术本身的能力边界而非实现缺陷
85%待验证向量检索的核心原理是通过嵌入模型将文本转化为高维数值向量，再通过近似最近邻算法（如HNSW或IVF）寻找距离最近的候选项
70%待验证当记忆规模膨胀到数百MB甚至GB级别时，纯文件方案可能仍需与索引机制、向量检索等技术结合才能兼顾简洁性与性能
60%待验证现代RAG系统广泛采用向量检索技术，通过嵌入模型将文本转为高维向量并计算余弦相似度找到相关文档
60%待验证向量检索匹配语义，传统关键词检索匹配字面词，这是RAG能回答“换个说法也能找到”这类问题的原因。
50%待验证团队把知识清洗阶段提取的信息作为向量检索的元数据过滤条件，使召回不止依据语义相似，还能结合业务属性筛选。
50%待验证向量检索（粗排）速度快，但缺乏深度语义理解，可能召回不相关内容，因此需要重排（re-rank）进行精排。
50%