待验证50% 置信权衡取舍精确时间
向量数据库通过将文本映射为高维向量并计算余弦相似度实现语义检索，能召回字面不同但含义相近的内容；但其嵌入模型训练数据与参数不透明，相似度阈值难以直观设定，Agent无法从排序结果反推某条记忆被选中的原因。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
涉及实体
相关事实
待验证Embedding模型把查询和文档映射到同一向量空间，用余弦相似度等度量匹配；当查询使用领域缩写、内部代号或与训练语料分布差异较大的措辞时，可能导致正确文档排到很后面甚至不出现在候选集中。73% 相似待验证Hindsight 类记忆组件通常依赖向量数据库，通过嵌入模型将事件转为高维向量并用余弦相似度或近似最近邻算法检索73% 相似待验证向量数据库无法表达结构化关系（如记忆的来源用户、会话、时间），无法做精确过滤和事务性更新，相似度阈值也缺乏可解释性72% 相似待验证向量数据库的核心优势在于语义级模糊检索，语义相近的内容在高维向量空间中距离更近71% 相似待验证向量检索在精确标识符（如合同编号、客户名称、日期范围、物料代码）查找上表现糟糕，因为嵌入模型将文本压缩为稠密向量，相似度排序对精确等值没有约束力。71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037682API
curl https://kongchang.com/api/v1/knowledge/claims/1037682MCP
get_claim(id=1037682)