核心用法
Vector Memory Hack 是一款专为AI Agent设计的超轻量级语义搜索工具，解决大模型读取冗长MEMORY.md文件浪费token的痛点。通过TF-IDF向量化+SQLite存储+余弦相似度计算，实现毫秒级上下文检索。核心操作三步走：执行--rebuild建立索引、使用vsearch \"查询词\"搜索、读取top-k结果获取任务所需背景知识。支持增量更新、多语言分词、自定义停用词，无需PyTorch或API密钥即可开箱即用。
显著优点
- 极致轻量：纯Python标准库实现，零外部依赖，适合边缘设备与资源受限环境
- 极速响应：<10ms搜索延迟，对比sentence-transformers(~100ms)和OpenAI API(~500ms)优势明显
- Token高效：从3000+token全文缩减至读取3-5个相关段落，大幅降低上下文成本
- 部署简单：无需Docker、GPU或复杂配置，单文件即可运行
- 多语言支持：内置CZ/EN/DE等语言分词能力
潜在局限
- 精度天花板：TF-IDF基于词频统计，无法理解深层语义（同义词、上下文含义），复杂场景准确率低于神经网络嵌入方案
- 规模瓶颈：文档量超过数千时，稀疏向量检索效率下降，不适合10k+级别知识库
- 维护成本：需手动执行rebuild/update保持索引同步，无自动监控机制
- 无向量化模型：无法利用预训练语言模型的语义理解能力，对模糊查询效果有限
适合人群
- 快速原型开发者和AI Agent构建者
- VPS/边缘计算等内存受限环境用户（<4GB RAM）
- 追求零依赖、即时部署的运维场景
- 对检索速度敏感、可接受一定精度损失的中低频任务
常规风险
- 索引过期风险：MEMORY.md更新后未及时rebuild导致检索结果失效
- 数据库锁定：并发访问可能触发SQLite锁竞争
- 零分异常：词汇表缺失查询词时返回全零相似度，需人工干预重建
- 无权限管控：文件路径硬编码，多用户环境存在路径冲突隐患