跳转至

教程 03 · 搜索与召回：keyword / 向量 / 混合什么时候用哪个#

目标： 理解 memoryd 搜索的三路混合实现，知道何时调哪种参数。

前置： 教程 02，库里已有 5+ 条记忆。

三路并发，加权融合#

memoryd 的 search 一次调用同时跑三条路：

路 后端 擅长 短板
全文 ripgrep + SQLite FTS5 准词命中（"memoryd"、"DURA"） 同义词 / 自然语言查询差
向量 Milvus Lite + bge-m3 ONNX 语义近似（"记忆"匹配"我之前提过的事"） 严格关键词反而打折
知识图谱 entities 表实体名 + 关系 反查"含某实体的所有记忆" 实体抽取漏报就找不到

三路各出 Top-K，按权重融合，去重，按最终 score 排序输出。

一、最朴素：关键词查#

memoryd search "memoryd"

预期输出：

2026-05-20-my-first    db8435ffd199    title: 2026-05-20 会话 my-first
2026-05-19-...
...

每行：slug / scope_hash / 摘要片段。

二、加过滤参数#

memoryd search "决策" --type=decision --limit=20

只在 type=decision 里搜，最多 20 条。

memoryd search "客户名单" --scope=db8435ffd199

只搜某个 scope。这在记忆量大时关键。

memoryd search "deployment" --json | jq '.[0]'

--json 给脚本用，附带 score 各分量、各路命中信息。

三、向量主导的语义搜索#

memoryd 不暴露"只走向量"开关 —— 默认就是三路混合。但当你的查询语义化（多个词、有自然语言意图）时，向量路自动占主导：

memoryd search "上次我提到要换的那个工具"

如果你之前有过 "考虑迁移到 Solid 框架"、"放弃 React" 这种长期记忆，向量召回会命中，全文路命中可能为零。

四、知识图谱反查#

直接按实体反查所有相关记忆：

memoryd kg memories-about "Solid"

预期输出：

2026-05-15-solid-decision    decision    "决定迁移到 Solid 因为..."
2026-05-12-react-pain        warning     "React 渲染性能在大列表..."
...

这条不走 search 三路融合，是直接走知识图谱。详细看 教程 04 · 知识图谱。

五、看排序为什么这样排#

memoryd search "memoryd" --json | jq '.[0] | {slug, score, score_breakdown}'

预期输出：

{
  "slug": "2026-05-20-my-first",
  "score": 1.42,
  "score_breakdown": {
    "fulltext": 0.85,
    "vector": 0.32,
    "entity": 0.25
  }
}

score_breakdown 告诉你三路各贡献了多少。这对调试 / 调权重 / 写 prompt 都有用。

六、看 dim / soft-forgotten 的旧记忆#

默认搜索自动隐藏 soft-forgotten（90 + 30 天没召回的）。要全部看：

memoryd search "old query" --include-forgotten

详见 核心概念 中的 "decay（衰减状态机）" 节。

何时用哪个#

场景 用
我知道关键词，要快速找回 memoryd search "<词>"
我只记得大概意思 memoryd search "<自然语言句子>"
我要按 type 或 scope 过滤 加 --type / --scope
我要"和某人 / 某项目相关的全部" memoryd kg memories-about "<entity>"
我要 AI 主动用记忆 不用搜，让 CC / Codex / OpenClaw 自己调 MCP mem_search_memory
我要肉眼浏览 memoryd web 启 dashboard

你掌握了#

  • 三路并发的混合搜索
  • 通过过滤参数缩小范围
  • 知识图谱反查 vs 普通搜索的边界
  • 调 --json 看 score 拆解

下一步#

教程 04 · 知识图谱 —— 实体、关系、supersedes 决策演化。