深入内部：构建用于 AI 记忆的混合搜索引擎（Node.js + pgvector）

Source: Dev.to

1. 核心理念：务实

该架构旨在 降低基础设施认知负担，通过避免使用单独的向量数据库实现。所有向量和元数据都存放在带有 pgvector 扩展的 PostgreSQL 中，保持 ACID 合规并简化技术栈。

• 运行时： Node.js（事件驱动 I/O，用于编排 DB/LLM 调用）
• 语言： TypeScript（严格类型用于 1536 维浮点数组）
• 存储： PostgreSQL + pgvector（向量 + session_id、user_id 在同一引擎中）

2. 混合搜索算法

MemVault 实时计算加权得分：

Score = (SemanticSimilarity * α) + (RecencyScore * β) + (Importance * γ)

组成部分

• 语义相似度 (α) – 由 pgvector 计算的余弦距离。衡量主题匹配程度。
• 新鲜度衰减 (β) – 对时间戳应用的衰减函数，使旧记忆在未被强化时逐渐淡化。
• 重要性 (γ) – 对永不衰减的事实（例如 “用户对坚果过敏”）的显式权重。

典型默认值：80 % 语义、20 % 新鲜度。通过调节 α、β、γ 可微调代理行为。

3. 可观测性：“黑箱”问题

向量搜索本质上是不可见的，调试幻觉可能困难。MemVault 包含一个 实时可视化工具，将高维向量投射到 2‑D 图上，帮助你检查聚类并发现嵌入问题。

4. 开源与路线图

MemVault 完全开源。下一个路线图里程碑是加入 BM25（关键词搜索），以处理纯语义搜索难以应对的标识符（例如产品 ID）。

项目链接

• GitHub 仓库： https://github.com/jakops88-hub/Long-Term-Memory-API
• NPM 包： https://www.npmjs.com/package/memvault-sdk-jakops88
• 在线演示： https://memvault-demo-g38n.vercel.app/
• 许可证： MIT

5. 快速入门

在自托管（Docker）和托管 API（RapidAPI）之间任选其一。

入门步骤

# Clone the repo
git clone https://github.com/jakops88-hub/Long-Term-Memory-API.git
cd Long-Term-Memory-API

# Build and run with Docker
docker compose up -d

然后安装 SDK：

npm install memvault-sdk-jakops88

使用 SDK 存储块、生成嵌入并使用混合得分进行查询：

import { MemVault } from 'memvault-sdk-jakops88';

const client = new MemVault({ connectionString: process.env.DATABASE_URL });

await client.storeChunk({
  session_id: 'abc123',
  user_id: 'user42',
  content: 'User is allergic to peanuts',
  importance: 1.0, // never decays
});

const results = await client.search({
  query: 'What can I eat?',
  topK: 5,
  alpha: 0.8,
  beta: 0.2,
  gamma: 0.0,
});

如果您对 pgvector 实现有疑问或想为混合评分逻辑贡献代码，欢迎打开 issue 或提交 pull request！