语义搜索 (RAG)

概述

Open Note 使用 RAG（Retrieval-Augmented Generation）技术实现智能语义搜索。

技术架构

组件

• ChromaDB：本地向量数据库
• ONNX Runtime：本地 Embedding 推理
• embeddinggemma-300m：Embedding 模型
• RRF 算法：结果融合排序

工作流程

笔记保存 → 文本分块 → 向量化 → 存储到 ChromaDB
                                    ↓
搜索请求 → 查询向量化 → 相似度匹配 → RRF 融合 → 返回结果

混合搜索

关键词搜索

传统的全文搜索，精确匹配关键词。

优点：

• 精确匹配专有名词
• 速度快
• 结果可解释

缺点：

• 不理解语义
• 同义词无法匹配

语义搜索

基于向量相似度的搜索，理解搜索意图。

优点：

• 理解语义
• 支持同义词
• 模糊匹配

缺点：

• 计算量大
• 专有名词可能不精确

RRF 融合

使用 Reciprocal Rank Fusion 算法融合两种搜索结果：

RRF(score) = Σ 1 / (k + rank)

其中 k = 60（默认值）

使用方式

基本搜索

在搜索框输入关键词即可。

语义搜索

使用 Cici Agent

索引管理

自动索引

笔记保存时自动：

1. 提取纯文本（从 Quill Delta JSON）
2. 分块（每块 500 token）
3. 向量化
4. 存储到 ChromaDB

手动重建索引

设置 → 搜索 → 重建索引

适用于：

• 更换 Embedding 模型
• 索引损坏
• 大量导入后

索引状态

查看索引统计：

• 已索引笔记数
• 向量总数
• 索引大小

Embedding 配置

本地模型（默认）

模型: embeddinggemma-300m
位置: embedding_service/models/
内存占用: ~600MB

分块策略

默认策略

• 块大小：500 tokens
• 重叠：50 tokens

调整策略

高级用户可在配置文件中调整。

性能优化

缓存

• 查询结果缓存
• Embedding 缓存

准确度提升

技巧

1. 使用自然语言：语义搜索理解自然语言
2. 描述意图：不要只用关键词
3. 组合使用：关键词 + 语义描述

示例

好的查询：

• "关于 React 组件优化的笔记"
• "我写过的关于产品设计的想法"

差的查询：

• "React"
• "产品"

故障排查

Q: 搜索无结果

1. 检查索引是否完整
2. 尝试关键词搜索
3. 重建索引

Q: 搜索结果不相关

1. 调整查询描述
2. 检查 Embedding 模型
3. 查看笔记索引状态

Q: 搜索速度慢

1. 减少搜索范围（添加分类/标签过滤）
2. 检查硬件资源

高级用法

相似度阈值

调整最小相似度（0-1）：

• 高阈值（0.8+）：精确匹配
• 低阈值（0.5-）：更多结果

自定义 Embedding

使用自定义 Embedding 模型（高级）。

数据隐私

• 所有向量数据存储在本地
• 不会上传到云端（使用本地模型时）
• 可随时清除向量数据