<< All versions

Skill v1.0.0

currentAutomated scan100/100
hxdflying/evopaw/search-memory
──Details
PublishedOctober 25, 2026 at 04:01 AM
Content Hashsha256:2cb11e6435727b1b...
Git SHA2dc327e86c66
──Files
Files (1 file, 4.7 KB)
SKILL.md4.7 KBactive
SKILL.md · 135 lines · 4.7 KB

name: search_memory description: > 当需要回忆任何历史对话内容时，主动使用此 skill——不需要用户说"去搜索"， 只要话语中隐含对历史信息的依赖，就立即触发：

  • 用户引用过去的结论或操作（"上次你说的"、"之前的分析"、"上周五操作时的结论"、"根据我们之前讨论的"）
  • 用户询问过去做过的事（"上次那个航班"、"之前帮我查的 XX"、"你还记得吗"）
  • 需要找到用户在历史对话中透露的事实（持仓、成本、操作记录、项目状态）
  • 用户说"复盘"、"回顾"、"对比上次"等需要历史上下文才能回答的请求
  • 回答"该不该 XX"类决策问题，且决策所需的背景信息（成本/偏好/历史操作）未在当前对话中出现

支持语义搜索（模糊意图）、关键字搜索（精确词）、混合搜索（推荐）。 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://evopaw:evopaw123@localhost:5432/evopaw_memory

memories 表字段说明：

字段类型说明搜索方式
idTEXT主键—
session_idTEXT来源 session标量过滤
routing_keyTEXT用户标识（p2p:ou_xxx）标量过滤
user_messageTEXT用户原始消息全文搜索
assistant_replyTEXT助手回复展示用
summaryTEXT一句话摘要向量搜索
tagsTEXT[]领域标签（工作/文件处理/日程/搜索/代码等）标量过滤
created_atTIMESTAMPTZ写入时间标量过滤
turn_tsBIGINT对话时间戳（毫秒）标量过滤
summary_vecvector(1024)摘要语义向量向量搜索
message_vecvector(1024)原始对话语义向量向量搜索
search_tsvTSVECTOR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：

bash
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：

json
[
  {
    "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"）

bash
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"）

bash
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）

bash
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
All versions