语义检索
基于向量嵌入技术的检索方式，将查询和文档映射到高维向量空间，通过计算向量相似度找到语义相近的内容，即使字面用词不同也能匹配。
核心事实
时间轴 (近 90 天)
语义检索在灵活性与成本之间取得平衡，但召回质量依赖描述文本的质量，描述过于笼统或彼此重叠时向量空间中的距离便失去分辨力，这是该类方案共同的工程难点。
语义检索不依赖关键词精确匹配，而是理解问题含义，例如技师输入“门锁反复断开”时能关联到“门区触点磨损”“安全回路虚接”等历史案例。
语义检索的召回质量依赖向量化方案和分块策略，调不好反而引入噪声。
搜索系统通常用嵌入模型把查询和文档分别编码成向量，再通过向量相似度检索候选结果，这一过程被称为语义检索或向量检索。
嵌入模型训练目标是让意思相近的文本靠近，因此会平滑掉不承载语义的字符序列，如随机产品ID，导致语义检索难以精确匹配这类查询。
使用Milvus这类向量数据库可以实现语义匹配，而将信息存入MySQL或Redis则无法直接通过语义方式召回。
传统语义检索通常只对目标定理与候选声明做单轮相似度排序，忽略声明之间的多跳依赖关系，因此容易漏掉位于依赖链深处但与证明高度相关的支持性引理。
在一个SEC文件检索项目中，自然语言语义查询比分析师此前编写的256字符布尔字符串快3.4倍
语义检索（对存储知识进行向量搜索）和状态恢复（加载检查点工作流）解决的是不同问题；向量搜索可以浮现相关上下文，但绝不应作为恢复进行中任务确切状态的唯一机制。
对游戏项目而言，检索单元往往不是均匀切分的文本块，而是有语义边界的实体，因此实践中常做“符号检索+语义检索”的混合召回。
还有 7 条时间轴事件
全部知识事实 (18)
专用小模型的局限在于任务边界模糊、需要跨领域推理或处理未见边缘情况时泛化能力会迅速下降
65%已验证文本经Embedding模型编码为768至3072维的浮点向量，存入向量数据库后通过近似最近邻算法（HNSW、IVF等）在毫秒级完成相似度检索
65%待验证语义检索在灵活性与成本之间取得平衡，但召回质量依赖描述文本的质量，描述过于笼统或彼此重叠时向量空间中的距离便失去分辨力，这是该类方案共同的工程难点。
50%待验证语义检索不依赖关键词精确匹配，而是理解问题含义，例如技师输入“门锁反复断开”时能关联到“门区触点磨损”“安全回路虚接”等历史案例。
50%待验证语义检索的召回质量依赖向量化方案和分块策略，调不好反而引入噪声。
50%待验证搜索系统通常用嵌入模型把查询和文档分别编码成向量，再通过向量相似度检索候选结果，这一过程被称为语义检索或向量检索。
50%待验证嵌入模型训练目标是让意思相近的文本靠近，因此会平滑掉不承载语义的字符序列，如随机产品ID，导致语义检索难以精确匹配这类查询。
50%待验证使用Milvus这类向量数据库可以实现语义匹配，而将信息存入MySQL或Redis则无法直接通过语义方式召回。
50%待验证传统语义检索通常只对目标定理与候选声明做单轮相似度排序，忽略声明之间的多跳依赖关系，因此容易漏掉位于依赖链深处但与证明高度相关的支持性引理。
50%待验证在一个SEC文件检索项目中，自然语言语义查询比分析师此前编写的256字符布尔字符串快3.4倍
50%待验证语义检索（对存储知识进行向量搜索）和状态恢复（加载检查点工作流）解决的是不同问题；向量搜索可以浮现相关上下文，但绝不应作为恢复进行中任务确切状态的唯一机制。
50%待验证对游戏项目而言，检索单元往往不是均匀切分的文本块，而是有语义边界的实体，因此实践中常做“符号检索+语义检索”的混合召回。
50%待验证现代搜索系统通常将词汇排序与其他信号结合，而非取代 BM25，BM25 在精确匹配上的可靠性仍是向量检索难以完全替代的。
50%待验证纯语义检索对专有名词不敏感，且忽略时序信息，无法区分记忆的写入时间
50%待验证语义检索比关键词匹配准确得多
50%待验证语义检索相比传统基于标签或元数据的检索能够理解图片中的物体关系、场景氛围乃至情感基调
50%待验证语义相似度检索的局限在于语义相似并不意味着逻辑相关
50%待验证智能体记忆系统需要支持语义检索，通常依赖向量嵌入与相似度检索
50%