AI Agent：RAG、Memory 语义检索底层原理 + 向量数据库索引详解

先梳理核心逻辑：语义检索不靠关键词匹配，靠「文本向量化 + 向量相似度计算 + 向量索引加速」，RAG 知识库、Agent 记忆（短期 / 长期记忆）本质都是这套链路。

一、基础前置：什么是语义检索？

1. 传统检索 vs 语义检索

• 关键词检索：按字面字符匹配（如搜 “苹果”，只命中含这两个字的文本），无法理解语义、同义、引申。
• 语义检索：把自然语言转成多维向量，用向量距离判断文本语义相似度，意思相近 → 向量靠近。

2. 核心链路（RAG / Agent Memory 通用）

1. 文本向量化（Embedding）：句子 / 文档 / 历史对话 → 固定长度浮点向量
2. 向量入库：向量 + 原文 / 元数据 存入向量数据库
3. 查询向量化：用户提问 / Agent 唤醒指令 → 同样模型生成查询向量
4. 相似度检索：在库中找和查询向量最接近的 Top-N 向量
5. 结果召回：取出对应原文，喂给大模型做上下文增强

Agent Memory、RAG 只是业务场景不同：