核心功能
Vector Memory Skill 是一套为 Aister 设计的语义记忆检索系统，核心能力在于用向量相似度取代 grep 式关键词匹配。系统采用 intfloat/e5-large-v2 嵌入模型（1024 维），将用户记忆文档切分为 500 字符的语义块，存储于 PostgreSQL + pgvector 扩展中，实现毫秒级的余弦相似度检索。
显著优点
1. 语义理解能力：支持自然语言查询，如"мой стиль общения"无需精确匹配关键词，系统理解意图并召回相关记忆
2. 跨语言支持：E5-large-v2 原生支持俄语/英语双语，对多语言用户场景友好
3. 低延迟响应：端到端约 1 秒（嵌入+SQL 查询），满足交互式使用需求
4. 无缝集成：自动对接 AGENTS.md 与 TOOLS.md，Aister 可自主触发上下文检索
5. 易维护架构：Flask 微服务本地部署（127.0.0.1:8765），标准化 REST API 便于扩展
潜在局限与风险
- 冷启动问题：需显式执行
/reindex_memory同步记忆文件，新数据非实时索引 - 阈值敏感性：默认 0.5 相似度阈值可能漏检或误召回，需用户手动调参（0.4-0.6 范围）
- 模型容量限制：E5-large-v2 虽为 3 亿参数级，但对高度领域化术语或新兴概念表征能力有限
- 单点依赖：本地 Flask 服务故障将导致检索功能完全失效，缺乏高可用设计
- 隐私边界：记忆内容向量化后存储于 PostgreSQL，虽非明文但仍属敏感数据持久化
适合人群
- 需要长期上下文记忆的 AI 助手开发者
- 处理多语言非结构化文档的研究者或知识管理者
- 对关键词搜索精度不满、希望实现语义级召回的技术用户
- 具备基础 DevOps 能力、能维护 PostgreSQL 实例的自托管用户
常规风险提示
⚠️ 数据持久化：向量数据库包含用户交互历史，需配置 PostgreSQL 访问控制与定期备份
⚠️ 资源消耗：E5-large-v2 推理需 GPU 或充足 CPU 内存，低配置设备可能出现延迟劣化
⚠️ 模型漂移：嵌入模型固定为 e5-large-v2，未来版本迭代需人工迁移向量库
⚠️ 无加密传输：Flask 服务默认 HTTP，敏感场景建议添加 TLS 反向代理