百智云长期记忆服务：向量检索 + 知识图谱——长期记忆的混合检索原理

上一篇讲了长期记忆的多维度建模。这篇深入到检索层，聊聊百智云长期记忆服务采用的「向量检索 + 知识图谱」混合检索方案。

一、为什么单靠向量检索不够

向量检索擅长「语义相似」：把记忆编码成向量，按相似度召回最接近的内容。它有两个局限：

1. 缺乏关系表达：向量难以表达「A 属于 B」「A 是 B 的上司」这类结构化关系。

2. 精确匹配弱：对事实性的精确查询（比如「用户所在公司」）效果不稳定。

二、知识图谱补上什么

知识图谱用「实体 - 关系 - 实体」的三元组表达结构化的记忆网络。它能清晰表达层级、归属、时序等关系，适合回答「谁和谁是什么关系」这类问题。

三、混合检索的工作方式

一次记忆召回通常是两条路并行，再合并排序：

1. 向量通道：把查询编码成向量，召回语义最相关的记忆片段，适合模糊的、意图式的查询。

2. 图谱通道：在记忆图谱上按关系与实体匹配，召回精确的、结构化的记忆，适合事实性查询。

两条通道的结果经过融合与重排，形成最终交给模型的记忆上下文。

四、一个具体例子

假设用户问「我之前提过喜欢用什么语言写脚本？」：

• 向量通道可能召回「用户偏好 Python」「用户常写自动化脚本」等语义相近的记忆。

• 图谱通道则能沿着「用户 - 偏好 - Python」这条边，精确定位到对应的偏好节点。

两者结合，召回既准确又全面。

五、小结

向量检索负责「语义兜底」，知识图谱负责「关系精确」。混合检索让长期记忆既懂模糊意图，也能精确回答结构化问题，是记忆召回质量的关键。