检索、上下文与记忆

这一组讲怎样把对的资料放到模型面前：从文档里找出相关段落，组装当前任务的上下文，再决定哪些信息跨会话留下来。三个本地工具各管一种需要：搜自己的笔记用 QMD，在代码和文档里按含义找文件用 zvec-grep，要让 AI 助手自己读写笔记用 Basic Memory。

阅读顺序

顺序	文章	要做的事
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，找出召回、排序和上下文组装各会丢掉什么。
2	Embedding、Reranker 与分类器：相似、相关和决策	按输入、输出和训练目标分清三类模型，给每一步选对的那一类。
3	Agent 上下文工程	为当前任务组装一份精简、新鲜的工作集，来源和持久状态留在窗口之外。
4	Agent 记忆：保存、更新与失效	决定 AI 助手该记住什么、什么时候更新、什么时候作废。
5	向量索引：精确搜索、HNSW 与 IVF	比较精确搜索、HNSW 与 IVF，用精确近邻做基准测召回。
6	QMD：在本地搜索 Markdown 笔记	搜自己的 Markdown 笔记：关键词、语义或混合检索，再读结果对应的原文。
7	zvec-grep：按含义搜索代码与文档	在代码和文档里按含义找文件，再核对当前的源码或文档。
8	Basic Memory：让 AI 助手读写关联笔记	让 AI 助手跨对话读写互相关联的 Markdown 笔记。
另见	检索与生成系统评估：从证据命中到回答正确	分开测证据命中、排序、忠实性和答案质量，找到 RAG 的瓶颈；这篇归在“评估与证据”一组。

我的阅读