本文探讨了大模型召回的核心等式召回存储检索。指出原始文本块存储效果优于摘要和事实提取因为机器压缩逻辑与人类认知框架不匹配。文章建议采用名词压缩作为折中方案并强调检索端需适配Embedding模型以对齐使用场景。同时提出多路召回算法体系BM25Embedding大模型重排序并分析了八个记忆项目的定位。最后给出实际落地建议优先不压缩存储若需压缩则保留名词实体检索端采用多路召回并场景化Embedding。结论是检索环节优化空间远大于存储环节但存储压缩对齐是未来突破点。◆ 为什么全部存反而效果最好论文的一个核心发现是原始块存储Basic RAG的召回效果最好提取事实和做摘要反而会损失信息这不是技术实现的问题是底层逻辑的问题。摘要存储的压缩和人类的遗忘是两个完全不同的空间存在根本性的不匹配压缩是机器视角的。无论是 MemGPT 的递归摘要还是 Mem0 的事实三元组提取它们的压缩逻辑是由当前大模型的认知模式决定的。模型用它觉得重要的方式去压缩而不是未来提问者会觉得重要的方式遗忘是人类视角的。人类的遗忘不是简单地丢掉细节而是一个语义重构的过程。不同人记住同一件事的方式差异很大不匹配的后果当机器压缩后的摘要和人类提问时的认知框架不一致时相关信息就在存储层被永久丢失了再好的检索算法也找不回来◆ 名词压缩一个可能的折中方案如果必须压缩有没有比通用摘要更好的策略一个思路是按名词进行压缩名词是语义的锚点。相比动词、形容词和修饰语名词承载了最多的实体级信息。而且名词的跨语境稳定性很高压缩时保留名词相当于保留了未来检索的最小公约数举个例子。原始对话是最近黄金涨疯了因为美国那边说可能要降息而且中东那边又打起来了。普通摘要变成分析黄金暴涨的原因。名词压缩变成黄金 暴涨 原因美国 降息预期 中东 冲突 避险资金。当用户问中东局势对黄金的影响名词压缩版本还能命中普通摘要已经丢失了关键信息◆ 适配 Embedding让检索对齐使用场景存储端的问题解决了一半另一半在检索端。通用 Embedding 模型是在海量通用语料上训练的它对相关性的理解是统计意义上的不一定匹配某个具体用户或场景的认知框架适配的思路有三个方向。用户级微调用某个用户的对话历史微调 Embedding 模型。场景级定制比如金融场景让 Embedding 更关注黄金“美元”通胀这类实体的共现关系。动态组合在检索时同时使用多个 Embedding 模型的打分或者将 BM25、Jaccard 等传统方法与 Embedding 融合本质上召回系统的设计需要让存储的压缩逻辑和检索的匹配逻辑在同一个语义空间里对话◆ 召回环节的完整算法体系一个成熟的召回系统不会只用单一算法。BM25做词法匹配对精确匹配敏感。TF-IDF是 BM25 的前身提供基础词法信号。Jaccard用集合论计算交集占比适合短文本。Embedding做语义匹配即使没有共同关键词也能匹配。DSSM是经典的双塔结构深度语义匹配模型这些方法不是互斥的而是互补的。论文中验证效果最好的方案是第一路用 BM25 召回一批候选第二路用 Embedding 召回一批候选合并后用大模型重排序◆ 八个记忆项目的定位拆解Mem0在存储层做事实提取加冲突解决。MemGPT做递归摘要加分页用虚拟内存管理突破上下文长度限制。Hindsight让智能体在存储后生成反思来产生新知识。EverMind模拟生物记忆的遗忘和巩固过程。cognee用知识图谱增强关联性。OpenViking用文件系统管理记忆。Supermemory做云端记忆基础设施。mem9做全生命周期调度论文的结论在这个框架下可以重新表述为在当前的工程实践中检索环节的优化空间远大于存储环节。但存储环节的压缩对齐问题可能是下一阶段的突破点◆ 实际落地建议存储层的第一选择是不压缩。原始文本块的召回效果在大多数场景下优于摘要和事实提取如果必须压缩优先保留名词和实体信息。这是语义的最小公约数检索层要做多路召回。至少组合 BM25词法和 Embedding语义两路有条件的话加上大模型重排序Embedding 模型要和使用场景对齐。金融、医疗、法律这类专业领域尤其需要场景化的 Embedding 或者微调最后一条不要过度工程化存储层。把精力放在检索和重排序的优化上投入产出比更高如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
收藏！程序员小白必看：大模型召回=存储+检索，存储决定检索天花板
发布时间：2026/7/17 17:45:27
本文探讨了大模型召回的核心等式召回存储检索。指出原始文本块存储效果优于摘要和事实提取因为机器压缩逻辑与人类认知框架不匹配。文章建议采用名词压缩作为折中方案并强调检索端需适配Embedding模型以对齐使用场景。同时提出多路召回算法体系BM25Embedding大模型重排序并分析了八个记忆项目的定位。最后给出实际落地建议优先不压缩存储若需压缩则保留名词实体检索端采用多路召回并场景化Embedding。结论是检索环节优化空间远大于存储环节但存储压缩对齐是未来突破点。◆ 为什么全部存反而效果最好论文的一个核心发现是原始块存储Basic RAG的召回效果最好提取事实和做摘要反而会损失信息这不是技术实现的问题是底层逻辑的问题。摘要存储的压缩和人类的遗忘是两个完全不同的空间存在根本性的不匹配压缩是机器视角的。无论是 MemGPT 的递归摘要还是 Mem0 的事实三元组提取它们的压缩逻辑是由当前大模型的认知模式决定的。模型用它觉得重要的方式去压缩而不是未来提问者会觉得重要的方式遗忘是人类视角的。人类的遗忘不是简单地丢掉细节而是一个语义重构的过程。不同人记住同一件事的方式差异很大不匹配的后果当机器压缩后的摘要和人类提问时的认知框架不一致时相关信息就在存储层被永久丢失了再好的检索算法也找不回来◆ 名词压缩一个可能的折中方案如果必须压缩有没有比通用摘要更好的策略一个思路是按名词进行压缩名词是语义的锚点。相比动词、形容词和修饰语名词承载了最多的实体级信息。而且名词的跨语境稳定性很高压缩时保留名词相当于保留了未来检索的最小公约数举个例子。原始对话是最近黄金涨疯了因为美国那边说可能要降息而且中东那边又打起来了。普通摘要变成分析黄金暴涨的原因。名词压缩变成黄金 暴涨 原因美国 降息预期 中东 冲突 避险资金。当用户问中东局势对黄金的影响名词压缩版本还能命中普通摘要已经丢失了关键信息◆ 适配 Embedding让检索对齐使用场景存储端的问题解决了一半另一半在检索端。通用 Embedding 模型是在海量通用语料上训练的它对相关性的理解是统计意义上的不一定匹配某个具体用户或场景的认知框架适配的思路有三个方向。用户级微调用某个用户的对话历史微调 Embedding 模型。场景级定制比如金融场景让 Embedding 更关注黄金“美元”通胀这类实体的共现关系。动态组合在检索时同时使用多个 Embedding 模型的打分或者将 BM25、Jaccard 等传统方法与 Embedding 融合本质上召回系统的设计需要让存储的压缩逻辑和检索的匹配逻辑在同一个语义空间里对话◆ 召回环节的完整算法体系一个成熟的召回系统不会只用单一算法。BM25做词法匹配对精确匹配敏感。TF-IDF是 BM25 的前身提供基础词法信号。Jaccard用集合论计算交集占比适合短文本。Embedding做语义匹配即使没有共同关键词也能匹配。DSSM是经典的双塔结构深度语义匹配模型这些方法不是互斥的而是互补的。论文中验证效果最好的方案是第一路用 BM25 召回一批候选第二路用 Embedding 召回一批候选合并后用大模型重排序◆ 八个记忆项目的定位拆解Mem0在存储层做事实提取加冲突解决。MemGPT做递归摘要加分页用虚拟内存管理突破上下文长度限制。Hindsight让智能体在存储后生成反思来产生新知识。EverMind模拟生物记忆的遗忘和巩固过程。cognee用知识图谱增强关联性。OpenViking用文件系统管理记忆。Supermemory做云端记忆基础设施。mem9做全生命周期调度论文的结论在这个框架下可以重新表述为在当前的工程实践中检索环节的优化空间远大于存储环节。但存储环节的压缩对齐问题可能是下一阶段的突破点◆ 实际落地建议存储层的第一选择是不压缩。原始文本块的召回效果在大多数场景下优于摘要和事实提取如果必须压缩优先保留名词和实体信息。这是语义的最小公约数检索层要做多路召回。至少组合 BM25词法和 Embedding语义两路有条件的话加上大模型重排序Embedding 模型要和使用场景对齐。金融、医疗、法律这类专业领域尤其需要场景化的 Embedding 或者微调最后一条不要过度工程化存储层。把精力放在检索和重排序的优化上投入产出比更高如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
