How we built our knowledge base
Cerebras 分享了构建其内部知识库的经验。该知识库每天处理超过 15,000 个问题，集成了 Slack、GitHub 等多种数据源。文章详细介绍了如何通过 Postgres 存储 embeddings，并采用混合搜索策略（全文搜索、向量搜索、IDF 加权、时间衰减）来高效检索非结构化对话数据，解决了信息分散和匹配精度的问题。
🏷️ 向量搜索
5 篇How we built our knowledge base
Cerebras 介绍了其内部知识库的构建过程，该知识库每天处理超过15,000个问题。系统通过从Slack、GitHub等平台提取数据，利用Postgres存储嵌入和元数据，结合全文搜索、向量搜索、IDF和衰减时间等混合搜索技术，实现了高效的信息检索。
构建生产级 AI 系统必须掌握的 6 个核心概念
本文由作者因遭遇 AI 智能体失控产生高昂费用的经历引出，旨在阐述构建生产级 AI 系统必须掌握的核心概念。文章提出了 AI 系统的通用公式：记忆（RAG）+ 思考（LLM + Tokens）+ 行动（Agents）+ 测量（Evals）。文中重点解析了 Tokens 与上下文窗口的成本与限制、嵌入向量与语义搜索的原理、RAG 检索增强生成的正确姿势、智能体循环中的工具使用与停止条件等关键技术细节，帮助开发者从“调参侠”进阶为真正的 AI 工程师。
构建永不遗忘的 Agent：从原理到 Graph-Vector 混合架构
文章从第一性原理出发，深入探讨了 Agent 记忆机制的演变。作者指出单纯依赖 Context Window 会遭遇“中间迷失”效应，并借鉴认知科学将记忆分为感觉记忆、工作记忆和长时记忆。文章通过对比 Python 列表、Markdown 文件和向量搜索等不同技术层级的优劣，揭示了传统方案在持久性、语义理解和关联推理上的局限性，最终提出了结合图数据库和向量搜索的 Graph-Vector 混合解决方案。
OpenClaw 记忆指南：解决遗忘问题与高级配置
文章深入探讨了 OpenClaw 智能体的三种常见记忆失效模式：未保存、未检索及上下文压缩导致的丢失。作者提供了启用内存刷新、配置上下文修剪、混合搜索及索引历史会话等基础修复方案。此外，还介绍了 QMD、Mem0 和 Cognee 等高级工具，以实现生产级的持久化记忆和知识图谱检索，解决复杂场景下的记忆管理难题。