核心用法
Vector Memory Hack 是一款专为AI代理设计的轻量级语义搜索工具，解决传统代理读取完整MEMORY.md文件造成的token浪费问题。核心流程包括：使用--rebuild构建TF-IDF向量索引，通过--search执行余弦相似度查询，返回top-k相关段落及相似度分数。支持增量更新(--update)和统计查询(--stats)，配套CLI包装器vsearch便于集成。
显著优点
- 极致轻量：纯Python标准库+SQLite，零外部依赖，无PyTorch/Transformers负担
- 极速响应：<10ms搜索1000个向量段落，索引速度约50段/秒
- 多语言支持：内置CZ/EN/DE等多语种分词与停用词处理
- token效率：从读取3000+tokens降至仅需3-5个相关段落
- 资源友好：每段约10KB内存，适合边缘设备/VPS低内存环境
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（vs神经网络嵌入）
- 词汇盲区：未登录词/同义词/缩写匹配能力有限
- 规模瓶颈：文档量达万级时性能劣于专业向量数据库（ChromaDB/Milvus）
- 无动态学习：无法根据用户反馈优化排序，需手动调整停用词或相似度算法
适合人群
- 快速原型开发者：需分钟级部署语义搜索
- 资源受限场景：无GPU、低RAM的VPS/边缘设备
- token敏感型AI代理：希望大幅降低上下文读取成本
- 多语言轻量应用：需支持中欧德等语种的简单语义检索
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 索引陈旧 | 源文件更新后未重建索引导致检索失效 | 任务前自动执行`--update`或`--rebuild` |
| 数据库锁 | 并发访问SQLite产生锁定错误 | 串行化访问或删除vectors.db重建 |
| 零分结果 | 词汇表未覆盖查询词或索引损坏 | 检查分词逻辑，定期重建索引 |
| 安全边界 | 检索结果可能包含敏感配置（如SSH密钥路径） | 对MEMORY.md实施访问控制，搜索结果过滤敏感字段 |