检索、上下文与记忆

模型回答的质量受到所见证据的约束。检索挑选材料，上下文工程组织当前工作集，记忆让选定信息可以在后续任务中继续使用。

先读检索流程，以及 Embedding、Reranker、分类器的区别，再理解上下文预算和记忆更新。QMD、zvec-grep、Basic Memory 实现的是不同环节，不要求把它们全部装成一套系统。

阅读顺序

顺序	文章	解决的问题
1	检索流程：切分、召回、重排与引用	把文档变成可追溯的回答依据，并定位召回、排序和上下文组装各自会丢掉什么。
2	Embedding、Reranker 与分类器：相似、相关和决策	用输入、输出和训练目标区分三类模型，理解 BERT 架构为什么不等于检索能力或决策能力。
3	Agent 上下文工程	如何为 Agent 组装精简且时效性强的工作集，同时将来源溯源和持久状态保留在模型窗口之外。
4	Agent 记忆：保存、更新与失效	选择 AI 助手应保留和检索的信息，分清笔记、搜索结果与操作依据。
5	QMD：在本地搜索 Markdown 笔记	用关键词、语义或混合检索查找 Markdown 笔记，再阅读搜索结果对应的原文。
6	zvec-grep：按含义搜索代码与文档	结合语义发现与关键词搜索定位工作区文件，再核对当前源码或文档。
7	Basic Memory：让 AI 助手读写关联笔记	跨对话保存、连接和检索 Markdown 笔记，同时区分决策记录与操作权限。

怎样把这些内容用起来

答案缺失时，先定位问题出在原始材料、候选召回、排序、上下文丢失还是无依据生成。保留来源引用，再通过检索与生成评估逐段检查。

需要接着学习其他环节时，回到AI 阅读路径选择相邻主题。

我的阅读 · 打开过的笔记会记在当前浏览器里。