一、选型：为什么是 qwen3-embedding 二、动手前的关键查证 三、执行五步走 第 1 步：停机 + 备份 第 2 步：起一个临时维护容器 第 3 步：SQL 改列 384→1024 第 4 步：重嵌脚本（断点续传） 第 5 步：重建索引 + 改配置 + 验证 四、性能实测：重嵌要多久，换完值不值 顺带验证：本地 LLM 换不换？ 五、踩坑清单 六、Reranker 升级：ms-marco → bge-reranker-v2-m3 为什么换 选型对比 改动 结果 Ollama 能跑 reranker 吗？ 七、翻车实录：reranker 换大了，整站记忆查询全挂 八、结论 本文首发地址 https://h89.cn/archives/731.html 我的 Hindsight 记忆库（给

- 阅读剩余部分 -

一、RAG 的真相：48% 的失败率被藏起来了 二、Context Window 革命：1M 已成标配 三、Wiki 模式：不是复古，是重新对齐 四、六维度拆解：RAG 和 Wiki 到底差在哪 五、决策框架：什么时候选什么 六、收束：误区、行动建议、一句话结论 本文首发地址 https://h89.cn/archives/620.html 2024 年，每个做 AI 知识库的人都在说 RAG。检索增强生成，Retrieval-Augmented Generation，这串字母组合几乎成了企业知识管理的唯一答案。搭一个向量数据库，把文档切成块，灌进 Embedding 模型，再套个重排器——恭喜你，拥有了一个"AI 驱动"的知识库。 但 2026 年 4 月，OpenAI 联合创始人 Andrej Karpathy 发了一条 X 帖子

- 阅读剩余部分 -

整体架构 核心模块拆解 1. 多源采集：配置化接入，不硬编码 2. 热点发现：Embedding + DBSCAN 3. LLM 提炼：从 N 篇文章到 1 个结构化事件 4. 热度评分：不只是计数 5. 去重：48 小时滑动窗口 6. 实时推送：SSE 比 WebSocket 简单 踩过的坑 技术启示 参考文献 本文首发地址 https://h89.cn/archives/595.html 这个五一我哪也没去，在家把一个想了很久的项目做完了。 事情是这样的：每天早上刷 Twitter、Hacker News、微博、知乎、36氪……每个平台都有自己的热点，但它们散落各处。更烦的是，算法推荐的"猜你喜欢"往往让真正重要的事件被淹没在信息流里。刷半小时，感觉看了很多东西，但脑子里一团浆糊。 我不是缺新闻，我是缺组织好的信息。 五一假期第一天，我脑

- 阅读剩余部分 -

背景 架构：两种完全不同的部署模式 hermes memory setup 向导干了什么 实际配置步骤（local_external 模式） 第一步：起 Hindsight Docker 第二步：让 Hermes 知道连哪个 第三步：验证写入 Memory 使用流程：retain / recall / reflect 是怎么配合的 三个核心工具 记忆是怎么流转的 实际对话示例 怎么查记忆（手动验证） 怎么删/修正错误记忆 bank_id 是干什么的 什么情况下记忆会失效 资源消耗：每次对话都占很多资源正常吗 延迟 retain 和批量写入：当前不支持 Bug #7718：local_embedded 的静默失败 参考 本文首发地址 https://h89.cn/archives/584.html

- 阅读剩余部分 -