人工智能代理如何搜索他们的记忆

在我的上一个视频中，我介绍了人工智能代理如何存储内存。但存储它只是问题的一半。在这一章中，我们深入研究智能体如何在正确的时间检索正确的记忆。我将介绍关键字搜索、语义搜索、混合检索和重新排名，然后深入研究 OpenClaw 如何在实践中使用 SQLite、BM25 和向量嵌入来实现所有这些内容。 --- *您将学到什么：* - 关键字搜索（grep、BM25）和语义搜索（嵌入、向量相似性）如何各自工作 - 以及它们在哪里崩溃 - 为什么混合搜索单独击败这两种方法，以及加权融合和倒数排名融合如何结合结果 - 什么是重新排名，何时使用它，以及成本/延迟权衡 - 生产代理内存系统如何存储块，使用 FTS5 和 sqlite-vec 对其进行索引，并在其中运行混合搜索并行 - 两步内存模式：搜索然后获取，以及为什么它保持上下文窗口精简 - 增量同步如何工作：文件观察器、内容哈希、嵌入缓存和完整重新索引触发器 --- *观看完整系列：* - 第 1 部分：AI 代理如何记住事物（写入路径）→ https://youtu.be/Seu7nksZ_4k - 第 2 部分：AI 代理如何搜索他们的内存（本视频）我们使用 OpenClaw 作为现实案例研究 --这是一个干净的开源实现，在实践中展示了这些模式。 --- *提到的资源：* - OpenClaw：https://github.com/openclaw/openclaw - SQLite FTS5 文档：https://www.sqlite.org/fts5.html - sqlite-vec 扩展：https://github.com/asg017/sqlite-vec - OpenAI Embeddings API：https://platform.openai.com/docs/guides/embeddings - Toby Lutke 的 QMD： https://github.com/tobi/qmd - pgvector（Postgres 矢量扩展，作为替代提到）： https://github.com/pgvector/pgvector - Pinecone（专用矢量数据库，作为替代提到）： https://www.pinecone.io 获取我的 Claude 工作流程和 AI 工程笔记的完整集合： https://www.damiangalarza.com/newsletter?utm_source=youtube&utm_medium=video&utm_campaign=ai-agents-search-memory --- *时间戳：* - 0:00 - 检索问题 - 0:35 - 关键字搜索：grep 和 BM25 - 1:12 - 语义搜索和嵌入的工作原理 - 2:04 - 矢量数据库和最近邻搜索 - 3:41 - 语义搜索失败的地方 - 4:05 - 混合搜索：结合关键字和语义 - 4:18 - 加权融合与倒数排名融合 - 5:01 - 重新排名：以速度换取准确性 - 6:12 - OpenClaw 的实现演练 - 7:10 - 嵌入提供程序和自动选择 - 8:08 - SQLite 架构：FTS5、sqlite-vec 和嵌入缓存 - 9:33 - 逐步搜索管道 - 10:54 - 内存工具：搜索和获取 - 11:08 - 为什么两步模式保持上下文窗口精简 - 11:40 - 增量同步和索引管道 - 12:44 - 总结 --- *关于我：* 我是 Damian Galarza，一位软件工程领导者和前首席技术官，拥有 15 年以上构建 SaaS 产品的经验。我制作实用的人工智能工程教程，并分享我在代理架构、LLM 应用程序和构建生产人工智能系统方面学到的知识。 *连接：* - 时事通讯：https://www.damiangalarza.com/newsletter?utm_source=youtube&utm_medium=video&utm_campaign=ai-agents-search-memory - LinkedIn：https://linkedin.com/in/dgalarza - 博客：https://www.damiangalarza.com #AIAgents #VectorSearch #RAG #SemanticSearch #OpenClaw