记忆检索里的 hybrid search、重排和时间衰减到底在做什么

很多人第一次看到 OpenClaw 的 memory_search，会把它理解成：

• 一层向量搜索

但最新官方 Memory 文档已经把检索链路写得更细了。
现在更准确的理解应该是：

• memory_search 是一条检索与后处理流水线

而不是：

• 单次 embedding 相似度查询

第一层：为什么官方开始强调 hybrid search

官方现在明确写了：

• Hybrid search (BM25 + vector)

这说明它不再只依赖“语义接近”，还会同时利用：

• 词面命中
• 语义相似

这样做最直接的价值是：

• 对专有名词、命令、文件名、精确关键词更稳
• 对表达方式变化较大的自然语言问题也不至于全丢

第二层：结果合并不是简单拼一起

官方文档现在还单独写了：

• How we merge results

这说明 BM25 和 vector 命中的结果，不是随便拼接，而是要做：

• 分数整合
• 顺序重排

它要解决的其实是一个常见矛盾：

• 词面特别准的结果，语义分不一定高
• 语义很近的结果，关键词却不一定显眼

第三层：MMR 重排在压什么问题

官方现在明确提到：

• MMR re-ranking (diversity)

MMR 最值的地方不是“更聪明”，而是：

• 防止前几条结果太像

如果没有这一步，长笔记里几个相邻 chunk 很容易一起冲到前面，最后你看到的是：

• 五条差不多的结果

而不是：

• 几个来自不同记忆片段、但都相关的线索

第四层：时间衰减为什么要单独存在

官方现在还把：

• Temporal decay (recency boost)

列成独立环节。
这意味着记忆检索不是只按“相关度”排，还会把：

• 最近写入的内容

适度往前提。

这对长期运行很重要，因为很多工作流里，最近几天的决策和当前状态，往往比半年前更该优先被看到。

为什么这套链路比“单纯向量库”更像正式记忆层

如果把官方这几步放在一起看，会发现它在试图同时解决四类问题：

1. 词面命中
2. 语义相似
3. 结果多样性
4. 时间新鲜度

这已经不像“给 Markdown 做个 embedding”那么简单，而更像：

• 正式的检索排序面

对中文站读者最有价值的提醒

如果你现在碰到的是：

• 明明写过，但搜不出来
• 搜出来的前几条全都很像
• 新近写的事实总被旧内容压住

那就别只盯着 embedding provider。
很多时候真正影响体验的，是：

• hybrid 是否启用
• 排序链路是否跑通
• 索引是否新鲜

推荐延伸阅读

• session memory search 什么时候值得开，什么时候先别开
• 记忆搜索与索引机制
• 索引刷新、embedding cache 和 source of truth 更稳的维护方式