用户觉得开头太长了，要简短一些。我来精简一下开头部分。# SummerMemory 项目视频讲解稿（大白话版）
开头：我为什么要做这个
大家好，我是 Likefr。
我玩 AI 有一段时间了，日常用它改代码、写文档、总结日报、控制家里的智能设备。
用着用着，我发现一个问题：它老是忘事。 记忆这一块做的不是很好
我前天告诉它"我看了一本书"，今天问它"我最近看了什么书"，它说不知道。
我让它搜"我最近使用的前端技术"，它搜不到，但明明近期有让他优化Vue的代码。
我算是发现了，它的记忆系统有三个问题：中文搜不准、不懂变通、搜不到, 也不知道为什么。
所以我就自己做了一个，我称其定义为 SummerMemory。
这个项目是干什么的？
简单说：让 AI 记住事情，而且能准确找到。
OpenClaw 记忆系统的问题
第一个：中文搜不准
比如说可能存了我说的 "我买了苹果和香蕉"，但是我日后和他说搜"水果"搜不到。
因为字面上没有"水果"这两个字。
第二个：不懂变通
你存了"我开车去上班"，搜"通勤"搜不到。
因为它不知道"开车去上班"就是"通勤"。
当然我只是举个例子 实际他的记忆上下文有很多雷点
SummerMemory 怎么解决？
我使用这几门技术
PostgreSQL+pgvector做向量数据库，FastEmbed+Ollama BAAI/bge-small-zh-v1.5+BM25+LLM重排，jieba中文分词，纯本地全免费。不比商业的记忆系统差，搜索记忆毫秒级，比网络延迟还小。
核心思路：把文字变成数字，用数学方法算相似度。
第一步：什么是"向量"？
向量就是一组数字。
电脑不认识字，但认识数字。
比如：
- "开心" → [0.25, -0.34, 0.56, ...]
- "愉快" → [0.23, -0.33, 0.55, ...]
- "快乐" → [0.26, -0.35, 0.57, ...]
- "悲伤" → [-0.80, 0.45, -0.23, ...]
你看，"开心"、"愉快"、"快乐"的数字很接近，因为意思差不多。
"悲伤"的数字差很远，因为意思不一样。
这就是向量搜索：意思相近的文字，数字也相近。
第二步：什么是"分词"？
中文没有空格，得靠工具拆分。
jieba 能把一句话拆成最小的单位。
比如"我昨天去超市买了苹果和香蕉"
拆成：["我", "昨天", "去", "超市", "买", "了", "苹果", "和", "香蕉"]
注意："买"和"了"是分开的，"苹果"和"和"也是分开的。
因为中文词语讲究成双成对，"苹果"是一个词，"超市"是一个词。
但"还买"不是一个词，jieba 会把它拆开。
第三步：什么是"BM25"？
BM25 是一种搜索算法，看一个词出现多少次。
你搜"苹果"，文章里"苹果"出现 5 次的，比出现 1 次的分数高。
还有一个聪明的地方：如果一个词在所有文章里都出现（比如"的"、"是"），重要性就低。
如果一个词只在少数文章里出现（比如"苹果"），重要性就高。
第四步：什么是"混合搜索"？
向量搜索能理解语义，但不够精确。
BM25 搜索能精确匹配，但不懂语义。
所以 SummerMemory 把两种结合起来：
- 同时用两种方式搜索
- 合并结果
- 向量分占 60%，BM25 分占 40%
- 按总分排序
这样既能理解语义，又能精确匹配。
第五步：什么是"LLM 重排"？（计划做的）
LLM 就是大语言模型。
重排就是用 AI 重新给搜索结果排序。
比如你搜"健康食物"，返回 10 条结果。
AI 看一眼，把最相关的放前面。
这个功能还没做，后面会加。
举个完整的例子
你跟 AI 说：
"我昨天去超市买了苹果和香蕉，还买了一盒牛奶，花了 50 块钱"
SummerMemory 处理流程：
第一步：切分
切成三块：
- "我昨天去超市买了苹果和香蕉"
- "还买了一盒牛奶"
- "花了 50 块钱"
第二步：转向量
把每块文字变成数字。
比如"苹果" → [0.12, -0.34, 0.56, ...]
"香蕉" → [0.11, -0.33, 0.55, ...]
"牛奶" → [0.23, -0.45, 0.67, ...]
"苹果"和"香蕉"的数字很接近，因为都是水果。
"牛奶"的数字差远一点，因为是饮料。
第三步：分词
jieba 这个框架 常用余比如电商的关键字匹配搜索 分词可以更好的匹配用户的搜索意图
可以举一个例子:
["我", "昨天", "去", "超市", "买", "了", "苹果", "和", "香蕉"]
bge-small-zh-v1.5 是什么？
这是 Ollama 里用的一个模型，专门用来把中文变成向量。
它的名字可以拆开看：
BAAI：开发这个模型的机构（北京智源人工智能研究院）
bge：模型的类型（把文字变成向量的模型）
small：小模型（速度快，占用资源少）
zh：专门针对中文优化
v1.5：版本号
为什么要用这个模型？
第一，它是专门针对中文优化的，中文效果比英文模型好。
第二，它是小模型，速度快，大概 100 毫秒就能把一段文字变成向量。
第三，它是开源免费的，不用花钱。
第四步：存数据库
过几天，你问 AI："我之前买了什么水果？"
搜索流程：
第一步：查询转向量
"水果" → [0.15, -0.38, 0.52, ...]
第二步：向量搜索
"苹果"的向量 [0.12, -0.34, 0.56, ...] 和"水果"很接近。
得分：0.85
第三步：BM25 搜索
查询分词：["我", "之前", "买", "了", "什么", "水果"]
原文里有"我"、"买"、"了"，但没有"水果"。
得分：0.60
第四步：混合排序
最终得分 = 0.85 × 0.6 + 0.60 × 0.4 = 0.75
第五步：返回结果
AI 回答："你之前买了苹果和香蕉，都是水果哦！"
图谱可视化
我还做了一个图谱可视化界面。
把所有记忆用一张图画出来。
节点代表文件，连线代表关系。
节点越大，内容越多。
连线越粗，关系越紧密。
支持搜索、拖拽、点击查看详情。
用 Vue 3 + force-graph 做的，支持中英文切换。
浏览器打开 http://192.168.31.113:5173 就能看。
总结
SummerMemory 解决三个问题：
- 中文搜不准 → 用 jieba 分词
- 不懂语义 → 用向量搜索
- 功能单一 → 用混合搜索 + 图谱可视化
纯本地运行，不花钱，不依赖外部服务。
搜索速度大概 15 毫秒，比 OpenClaw 快 3 倍。
后面打算做什么
- LLM 重排：用 AI 重新排序
- 自动摘要：新内容自动生成摘要
- 标签系统：给记忆打标签
- 记忆衰减：长时间没用的记忆权重降低
好了，以上就是 SummerMemory 项目的介绍。
一句话总结：让 AI 记住事情，用向量+关键词两种方式搜索，又快又准。
感谢观看！