长期记忆：向量检索

从「一个类比」走到「交互演示：点击提问，观察检索过程」

「一个类比」先把问题落在「🗂 短期记忆 = 你的桌面 上下文窗口，放得下的信息有限 → 🗄 长期记忆 = 你的档案柜 向量数据库，需要时检索相关档案放到桌面上 桌面放不下所有东西，但你可以随时从档案柜里 调取最相关的文件」上；到了「交互演示：点击提问，观察检索过程」，讨论继续推进到「🗄 记忆库 8 条历史记忆 Embedding gemini-embedding-001 维度 768 存储 LanceDB topK 5 minScore 0.3 点击模拟不同的用户提问 🔍 向量检索过程 —」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。

把这条判断带到下一个场景

检索系统也可以这样看：先确定什么算相关，再观察召回是否覆盖问题，最后检查排序、切分和时效性有没有把真正有用的内容挤出去。

• 「一个类比」：🗂 短期记忆 = 你的桌面 上下文窗口，放得下的信息有限 → 🗄 长期记忆 = 你的档案柜 向量数据库，需要时检索相关档案放到桌面上 桌面放不下所有东西，但你可以随时从档案柜里 调取最相关的文件
• 「交互演示：点击提问，观察检索过程」：🗄 记忆库 8 条历史记忆 Embedding gemini-embedding-001 维度 768 存储 LanceDB topK 5 minScore 0.3 点击模拟不同的用户提问 🔍 向量检索过程 —
• 「三个设计决策」：📌 设计决策 ① 什么信息该存入长期记忆？用户偏好、项目配置、历史 Bug、常用操作，这些决定了 Agent 的个性化程度。 📌 设计决策 ② 记忆检索质量取决于 Embedding 模型。「修登录接口」和「登录接口并发 500」，模型能匹配到同一条记忆吗？ 📌 设计决策 ③ 记忆太多也是问题：topK=5 意味着每次最多召回 5 条。如何保证最重要的记忆排在最前面？ Takeaway Takeaway 短期记…

最后的「三个设计决策」把讨论落到「📌 设计决策 ① 什么信息该存入长期记忆？用户偏好、项目配置、历史 Bug、常用操作，这些决定了 Agent 的个性化程度。 📌 设计决策 ② 记忆检索质量取决于 Embedding 模型。「修登录接口」和「登录接口并发 500」，模型能匹配到同一条记忆吗？ 📌 设计决策 ③ 记忆太多也是问题：topK=5 意味着每次最多召回 5 条。如何保证最重要的记忆排在最前面？ Takeaway Takeaway 短期记…」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。