分享灵感：Grep 在智能体搜索中为我们带来了颠覆性的改变。

本周早些时候，我们查看了《Grep 就够了？Agent Harnesses 如何重塑智能体搜索》一文，并看到了记忆层改善的早期迹象。我们使用了 SQLite 加上 OpenAI 的 `text-embedding-3-small` 向量（512维）。但召回率并不如预期。我们的排序系统采用了合理的局部选择，却导致了糟糕的全局行为。在改进之前，每条记忆都使用相同的14天指数时间衰减：compositeScore = cosineSimilarity * 2 ** (-ageDays / 14)。这个乘数严重压低了旧的典型记忆。一条经过精心挑选的76天前的记忆，即使正是智能体所需要的，其分数也仅保留了约 **2.3%**。而一条仅一天前完成的任务，即使只是听起来相关，也会排名更高。此外，我们没有设置最低相似度阈值，因此 API 总是试图填满请求的限制。另外，有1,634行数据由自定义提供商以1536维进行了嵌入，而不是请求的512维。所引论文中的表1显示了类似的情况，Sen 等人报告了在116个问题的 LongMemEval-S 子集上的总体准确率。在内联结果配置中，grep 在他们测试的每个工具-模型组合上都击败了向量检索。Chronos 下的 Claude Opus 4.6 使用 grep 达到 **93.1%**，而向量检索为 **83.6%**。Codex CLI 下的 GPT-5.4 使用 grep 也达到了 **93.1%**，而向量检索为 **75.9%**。于是我们尝试了这种方法。对于下一个记忆检索架构，我们决定使用 SQLite 进行精确证据匹配，向量用于语义召回，并采用倒数排序融合（reciprocal rank fusion），这样调用方看到的是一份统一的列表，而不假装分数具有相同的含义。很想听听大家正在尝试什么。