09｜混合搜索、MMR 去重与时间衰减：如何协作解决“准、不重、够新”？
Henry
你好，我是 Henry，欢迎来到《OpenClaw 核心原理与实战》。
上节课我们走完了 MemoryIndexManager 的 search() 方法八步流程，但在第六步“混合合并”、第七步“后处理”中，我特意用黑盒标注了三个关键函数：mergeHybridResults、mmrRerank、applyTemporalDecay。当时我说“先当黑盒用，下节课再打开”——现在，就是打开它们的时候了。
这三个算法分别解决记忆检索中的三大核心挑战：
这节课的核心任务，就是把这三个黑盒逐一拆解。
混合搜索：向量 + 关键词双引擎
为什么需要混合？
单一检索模式各有软肋：
纯向量搜索：擅长语义理解（如何部署≈怎么上线），但对专有名词、代码片段容易失焦。
纯关键词搜索：精确匹配能力强（搜 MemoryIndexManager 绝不会漏），但无法理解同义表达。
OpenClaw 的解决方案是双引擎并行 + 加权融合。默认权重配置：
这个比例是经验值——向量在语义理解上贡献更大，但关键词作为“精确锚点”不可或缺。
向量搜索路径
向量搜索优先使用 SQLite 扩展 sqlite-vec 提供的 vec_distance_cosine() 函数，直接在数据库层完成近似最近邻检索。如果扩展不可用，则降级为 JavaScript 层计算余弦相似度：
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《OpenClaw 核心原理与实战》，新⼈⾸单¥59
《OpenClaw 核心原理与实战》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论