基于 PostgreSQL+pgvector 的本地语义记忆系统，支持俄英双语向量检索，为 AI 助手提供长期上下文记忆能力。
说明：
## 核心用法
Vector Memory Skill 为 Aister AI 助手提供基于语义的长期记忆能力。用户通过 `/search_memory >` 命令以自然语言查询历史记录，系统使用 e5-large-v2 模型将查询转换为 1024 维向量，在 PostgreSQL 数据库中通过余弦相似度匹配最相关的记忆片段。`/reindex_memory` 命令用于重新索引本地记忆文件（MEMORY.md、IDENTITY.md、USER.md 等），确保向量数据库与最新内容同步。
## 显著优点
**语义理解能力**：突破传统关键词匹配的局限，支持”找相似意思而非相同词语”的检索方式，大幅提升信息召回率。**本地化部署**：数据完全存储在用户控制的 PostgreSQL 数据库中，无云端依赖，隐私可控。**双语支持**：e5-large-v2 模型原生支持俄语和英语，适合多语言场景。**性能优异**：单次查询约 1 秒完成（嵌入生成+向量检索），满足实时交互需求。**架构清晰**：Flask 微服务解耦嵌入生成与存储检索，便于扩展和维护。
## 潜在缺点与局限性
**首次部署成本**：需下载 1.3GB 模型文件，对网络环境和存储空间有要求。**基础设施依赖**：必须自行部署 PostgreSQL 并安装 pgvector 扩展，技术门槛高于纯文件方案。**语言局限**：仅优化支持俄英双语，中文等其他语言效果未经验证。**无版本控制**：向量数据库与源文件可能不同步，依赖用户手动触发 reindex。**调参敏感**：相似度阈值（默认 0.5）和分块大小（500 字符）需根据实际数据调优。
## 适合的目标群体
– 开发具备长期记忆能力的 AI 助手的技术团队
– 需要本地化、隐私优先的 RAG（检索增强生成）方案的用户
– 俄语/英语场景下的知识管理应用开发者
– 已有 PostgreSQL 技术栈、希望快速集成向量能力的企业
## 使用风险
**依赖项风险**：sentence-transformers 等依赖未锁定版本，可能因上游更新导致兼容性问题。**数据泄露风险**：记忆文件若包含 API 密钥等敏感信息，将被索引至数据库，需提前清理。**权限配置风险**：数据库密码通过环境变量传递，配置不当可能导致未授权访问。**资源占用**：模型缓存约 2.5GB，对边缘设备内存压力较大。
会员专属
