作者从 GitHub 合集中挑选热度最高的 82 条 Seedance 2.5 视频生成提示词，来自 39 位 X 创作者，按镜头类型分为 9 类，并附上原作者、原帖链接及 36 条第三方复测结果（21 条复现成功，14 条效果衰减，1 条失败）。为解决分类后仍难以检索的问题，作者使用 EverOS Cloud 将提示词库转为可按语义检索的记忆库，只写两个脚本即可通过中文需求描述快速检索出匹配提示词及复测结论。完整提示词库和脚本已开源在 GitHub，方便读者三步搭建自己的提示词检索系统。
本文是构建 Agent 记忆系统系列的第四篇，聚焦读取路径：如何检索已保存的知识并加以利用。文章首先强调根据问题类型选择检索方式——精确查找、相似案例识别或项目概览各有不同需求。接着对比了四种搜索方法：关键词匹配、语义搜索、图遍历和 Agentic 检索，指出 Agentic 检索能综合运用其他方法并随信息获取调整调查策略。文章还强调检索结果应具备可操作性，一条包含复现步骤和验证方式的笔记远比泛泛的描述更有价值。最后提醒要注重精确度，避免给 Agent 返回过多无关信息造成干扰，因为它可能将小问题扩大成大改动。
作者基于阿里巴巴开源的进程内向量数据库 zvec 及面向代码仓库的语义检索工具 zvec-grep，开发了一个 DeepSeek Harness（DSH）插件 dsh-zvec-grep。文章是开发笔记，先通过真实仓库实验确认语义搜索的价值：在不知道代码命名时提供更好的“第一跳”，与 rg 精确搜索形成互补。插件没有简单包装 CLI，而是直接使用 createZvecGrep() 引擎 API，以 workspace 为运行时边界共享索引与 watcher，实现自动索引、增量更新与每小时校准，并通过状态胶囊向用户暴露索引进度与错误，退出时用 AbortController 清理资源。作者总结插件设计理念：替用户承担复杂度，暴露不确定性，让语义搜索负责模糊发现、精确搜索负责已知匹配。
传统RAG存储成本高昂，百万级文档索引动辄数百GB，本地设备难以承载。LEANN采用新思路：不存储所有向量，只保留精简的图结构，检索时按需计算，实现存储节省97%且精度不减。它可在笔记本上全本地运行，支持索引文件系统、邮件、浏览器记录、微信/iMessage、ChatGPT/Claude对话、Slack/Twitter实时数据及代码库，零云成本、数据不出设备、注重隐私。该项目已入选MLsys 2026，适合关注隐私的个人语义搜索开发者。
pgContext 0.2.0 发布，作为 PostgreSQL 的开源扩展，提供更快的语义搜索、过滤和混合检索功能。新版本优化了性能，增加了搜索透明度和安全性，支持更多 AI 搜索方法，适用于推荐系统和低成本检索。用户可通过源代码、容器或 Docker Compose 使用。
文章探讨了如何将微信、Telegram等平台的聊天记录转化为可用的个人知识库。作者从数据获取、清洗降噪（语义分块、去重、上下文修复）到存储检索（Embedding选型、GraphRAG）提供了全流程的技术指导，并提出了数字分身、知识传承等多种应用场景。
SMFS 是一个结合了 RAG 和传统文件系统优势的新型可挂载文件系统。它允许 Agent 使用标准的 Unix 命令（如 grep）执行语义搜索，支持多格式文件的自动解析与提取，并提供本地优先的同步引擎。内部基准测试显示，SMFS 能显著减少 Token 消耗和工具调用次数，同时大幅提升检索准确率。
作者开发了一款名为 Agent Reach 的开源工具，旨在解决 Agent 调研能力弱及配置繁琐的问题。该工具支持一句话安装，赋予 Agent 全网语义搜索及访问小红书、推特、YouTube 等多平台的能力，且硬件成本低廉，具备自动检测功能。
