search-memory

name	search_memory
description	搜索 XiaoPaw 的历史对话记忆。当用户询问过去发生的事、之前的偏好、历史任务结果时使用。支持语义搜索（'上次那个航班'）、关键字搜索（'PDF转换'）、混合搜索（'上周的工作文件'）。
type	task
version	1.0

search_memory Skill

功能说明

在 pgvector 数据库中搜索 XiaoPaw 的历史对话记忆，支持三种搜索模式的混合使用。

---

数据库结构

连接信息（从环境变量读取）：

• DSN：MEMORY_DB_DSN，默认 postgresql://xiaopaw:xiaopaw123@localhost:5432/xiaopaw_memory

memories 表字段说明：

字段	类型	说明	搜索方式
id	TEXT	主键	—
session_id	TEXT	来源 session	标量过滤
routing_key	TEXT	用户标识（p2p:ou_xxx）	标量过滤
user_message	TEXT	用户原始消息	全文搜索
assistant_reply	TEXT	助手回复	展示用
summary	TEXT	一句话摘要	向量搜索
tags	TEXT[]	领域标签（工作/文件处理/日程/搜索/代码等）	标量过滤
created_at	TIMESTAMPTZ	写入时间	标量过滤
turn_ts	BIGINT	对话时间戳（毫秒）	标量过滤
summary_vec	vector(1024)	摘要语义向量	向量搜索
message_vec	vector(1024)	原始对话语义向量	向量搜索
search_tsv	TSVECTOR	全文索引（自动维护）	BM25近似

---

搜索策略选择

根据用户问题类型选择搜索策略：

场景	策略	示例
语义模糊查询	纯向量搜索	"上次那个航班"、"之前聊过的投资建议"
精确关键字	纯全文搜索	"PDF转换"、"错误码500"
有时间/标签限制	混合搜索	"上周的工作文件"、"代码相关的历史"
通用查询	混合搜索（推荐）	大多数情况下混合搜索效果最好

---

调用方式

调用 scripts/search.py，通过命令行参数传入搜索条件：

python /mnt/skills/search_memory/scripts/search.py \
  --query "用户的搜索意图" \
  --tags "工作,文件处理" \
  --days 7 \
  --limit 5 \
  --mode hybrid

参数说明

参数	必填	说明
--query	是	搜索意图（自然语言）
--tags	否	标签过滤，逗号分隔（如 工作,文件处理）
--days	否	时间范围，最近N天（如 7 表示最近一周）
--routing_key	否	限定用户（默认不限）
--limit	否	返回条数，默认 5
--mode	否	搜索模式：hybrid（默认）/ vector / fulltext

输出格式

JSON 数组，每条记录包含：

[
  {
    "id": "abc123",
    "summary": "帮用户转换了一个PDF文件",
    "user_message": "帮我把这个 PDF 转成 Word",
    "assistant_reply": "转换完成，文件已保存到 outputs/result.docx",
    "tags": ["工作", "文件处理"],
    "created_at": "2026-01-20T14:00:25Z",
    "score": 0.92
  }
]

---

搜索示例

示例1：语义搜索（用户问"上次那个航班"）

python /mnt/skills/search_memory/scripts/search.py --query "航班查询" --mode vector --limit 3

示例2：混合搜索（"上周帮我处理的文件"）

python /mnt/skills/search_memory/scripts/search.py --query "文件处理" --tags "文件处理" --days 7 --mode hybrid

示例3：全文搜索（精确关键字）

python /mnt/skills/search_memory/scripts/search.py --query "PDF转换" --mode fulltext --limit 5

---

注意事项

• 搜索结果按相关性得分降序排列，取 topK
• 混合搜索得分 = 向量得分 × 0.7 + 全文得分 × 0.3
• 如果搜索结果为空，按以下顺序放宽条件重试：
  1. 先去掉 --days 限制（时间范围可能太窄）
  2. 再去掉 --tags 限制（标签可能不匹配）
  3. 最后切换到 --mode vector 纯语义搜索（关键字可能不准）
• 如果需要查看完整回复内容，assistant_reply 字段已包含