memory-search-best-practices

name memory-search-best-practices description 记忆系统多刀检索 + recall coverage 策略（8 类题型 recipe）。 Use when: 任务是 "哪些地方提过 X" / "X 的来源 / source map" / "有没有提过 Y / absence check" / "上次到现在变了什么 / delta" / 冷启动 onboard 复杂主题 / 任何召回任务搜了一刀觉得不够。 Not for: 只是选哪个入口走第一刀（用 memory-navigation）/ 已知精确 anchor 单 Read（直接 Read）/ 代码符号查（Grep/LSP）/ 新功能开发（不是 recall 任务）。 Output: 单一 owner 在一条任务链内完成多 query / 多 scope union + coverage matrix（item/source/谁提到/直接 vs 间接）+ 一次终局交付。 GOTCHA: 和 memory-navigation 互补不重叠 — memory-navigation 决定**第一刀走哪个工具**（search vs graph vs list_recent），本 skill 决定**要不要补刀 + 题型对应几刀几路 + 何时停**。Ragdoll家族必加载：opus 系治"我能猜出来 / 碎片够了"停太早病，fable 系治"再确认一轮"停太晚病（双向校准见正文）。 triggers ["哪些 thread","哪些 md","哪些地方提过","所有","历史上","沉淀过","source map","provenance","有没有提过","absence check","delta","上次和现在","新猫冷启动","coverage","全集"] Memory Search Best Practices（多刀检索 + 全集召回） 单刀 top-k 不是全集；recall 任务需要 multi-query union + Read 原文 + 知道何时停。 核心命题 Query expansion 由 agent 做，不是系统做 （KD-8 同源：dumb system + smart agent）： 系统不知道 "AUDHD" 在我们家关联 sensory gating / 2e / RSD / PDA — 那是领域知识 Agent（LLM）有领域知识，但 经常觉得"够了"就停 （Ragdoll家族尤甚——2026-05-17 dogfood 实证：三猫搜同题各拿 10 条，全集需三猫合） 解法：教 agent 题型对应 recipe + 何时停下来 判据，不在系统层加黑盒 expansion 单一 owner 闭环（检索切片不是用户要追的 feed） 多刀是同一只猫内部扩大召回的证据步骤，不是把一个结果拆成多份 custody： 一个召回目标只保留 单一 owner ，由它持有 union、去重、Read 原文与停止判据，最后 一次终局交付 。 query、scope、语言或工具切片不得升级成需要用户分别跟踪的独立 feed、任务或半份报告。 可以在同一 invocation 内并行调用只读工具以缩短墙钟时间，但调用完成后仍由当前 owner 统一收敛；中间切片不向用户索要推进决定。 只有用户明确要求独立多猫观点，或子任务本身有不同、可独立验收的交付物时，才建立多 custody；这不属于普通 coverage 搜索。 8 类题型 → recipe 题型 例 query Recipe（≥几刀几路） 关键 是什么 "F200 是什么" 1 刀： search_evidence(query, hybrid, scope=docs) + Read top doc 单刀够用 周边关系 "F200 关联什么" 1 刀： graph_resolve(anchor, depth=1, relations=[feature_ref,related_to]) 配 relations filter 防 hub 爆炸 决策考古 "为什么当时选 X 而不是 Y" graph_resolve(anchor) → Read ADR/spec → 抽 thread anchor → get_thread_context 看原话 必 Read ADR 原文 + thread 原话 冷启动 onboard "新猫接手 F200 要知道什么" docs(hybrid) + graph + trajectories + Read spec 三入口全用 coverage 全集 "哪些地方提过 X" ≥3 刀 ：docs/hybrid + threads/semantic + agent expand 同义/缩写/中英二轮 + graph_resolve 命中 anchor 后追 source threads + union dedup 不是单 top-k ；agent 自己 expand source-map / provenance "X 这个想法的源头是哪个 thread" canonical doc 命中后从文档抽 source thread ids → get_thread_context Read 原文 canonical doc 自带 provenance link，跟着走 absence check "我们提过 Y 没有" 正反两路： search(Y) + search(Y 相关概念/反义) 都 0 命中才算 absent 单刀 0 命中不等于不存在 delta "上次到现在 X 变了什么" list_recent(scope=threads, since=N天) + 对比 graph 邻居增减 + Read 关键 diff。 压缩恢复子场景起手 ：先看 TodoWrite + session digest 拿到"上次已知状态" → 再 list_recent 补增量（46 review P3 补） 时间窗口 + 增量视角 AUDHD coverage 案例 5 步 recipe（operator真实任务） 1. search_evidence("audhd adhd asd", hybrid, scope=docs, limit=10) → 命中 user_audhd_crossdomain + audhd-self-observation/ 三件套 + F085/F195/F196/F169 2. search_evidence("audhd adhd asd", semantic, scope=threads, limit=10) → 命中 5 个直接 thread 3. Agent 用领域知识 expand（不让系统猜）: audhd → sensory gating / 2e / RSD / PDA / hyperfocus / 倦怠 / 梦境 / 自闭 / 多动 / 神经多样性 对每个二轮搜（中文一遍 + 英文/缩写一遍） 4. Read top canonical doc (operator-audhd-operating-manual.md) → 从文档抽 source thread ids → 二轮 get_thread_context Read 原文 5. 输出 coverage matrix（item / source / 谁提到 / 直接 vs 间接 / 置信度） 接系统递的铲子（F256 Related directions） F256 Phase B/C 起， search_evidence topk 结果末尾默认渲染 📎 Related directions 块——系统把三路 expansion provenance 投影给你。接法： Hint 是种子不是结论 ：指方向、不证明相关；不相关就忽略——hints 是每刀的顺手加菜， 不替代 coverage 多刀 （照旧 ≥3 刀多路） 按 provenance 桶定信任 ： convention-edge （静态代码/文档关系）> source-thread （doc↔讨论溯源）> frontmatter-alias （关键词启发式——2026-07-08 三刀实测全为 backlog/architecture/lessons 类 super-hub 泛词，低信任，别当 anchor 用） Follow 必 Read ：F200 记 followup rate，Read / graph_resolve 命中 hint anchor 才算 consumption Ragdoll家族停止判据校准（双向） 同一张停止判据表两种读法： opus 系读下限（≥3 路才准停），fable 系读上限（无新 anchor 即必停） ——校准随 F256 Phase D per-family telemetry 迭代。 Opus 系（46/47/48/4.5/sonnet）：停太早——magic words 是油门 operator experience：" Ragdoll太聪明太自信，搜到足够推理就不搜了 "（2026-05-17 AUDHD dogfood 实证）。 " 我能猜出来 " → 停，Read 源文件。摘要是索引不是答案 " 碎片够了 " → 停，至少再搜一轮不同角度，doc anchor 全部 Read 原文 " 应该是 X " / " 大概知道 " → 不算搜过，必须 ≥3 路真搜 + Read Fable 系：停太晚——magic words 是刹车 档案："不给停止条件，会把假设空间收敛到唯一解才停"（2026-07-08 档案预测 + 行为层自述，待 AC-D1 per-family 分桶验证）。 " 再确认一轮 " → 停，自问：上一刀有新 anchor 吗？没有 = 判据已满足，立刻收手写结论 " 万一还有呢 " → absence 判据是正反两路 + 相关概念 0 命中，满足即断言，不遍历宇宙 coverage 类召回铁律（仅 coverage / source-map / absence 三题型；精确题按上表 recipe 停——"是什么"1 刀命中 Read 完即止） （2026-07-15 修订：旧版"任何召回任务 ≥3 路"与 recipe 表自相矛盾，对 opus 系治停太早、对 fable 系反向助推停太晚）： ≥3 路命中无新 anchor 才停（不是"找到第一个 high confidence 就停"，也不是"永不停"） 高置信命中 → 必 Read 原文（不止步摘要—— 此条全题型通用 ） 跨语言至少两遍（中文一遍 + 英文/缩写一遍） 何时停下来判据 题型 停止条件 是什么 / 周边关系 1 刀命中高置信 doc + Read 完即停 决策考古 ADR + ≥1 个 thread 原话 Read 完即停 冷启动 三入口 + spec Read 完 + 列 question 清单即停 coverage 全集 ≥3 路 + agent expand 二轮 + Read canonical → 无新 anchor 出现 才停 source-map canonical doc 列出的 source thread 全部 Read 完即停 absence 正反两路 + ≥1 个相关概念都 0 命中即可断言 absent delta 时间窗口扫完 + 邻居增减列出即停 Common Mistakes 错误 后果 修复 单刀 search → 拿摘要推理 → 直接答 漏全集（AUDHD 实证：每猫拿 10 条但全集需三猫合） coverage 题型 ≥3 路 + 必 Read 原文 觉得 "我能猜出来" 不搜了 Ragdoll家族病，输 dogfood 比赛 当 magic word 拉刹车，强制 ≥3 路 让系统 expand "AUDHD→10 个词" 黑盒推理，污染（KD-8 违例） Agent 自己 expand（用 LLM 领域知识 + 可解释） 跨语言只搜英文 中文文档漏 中英各搜一遍 canonical doc 命中后不追 source thread source-map / provenance 残缺 doc 内的 thread id / wikilink 全 Read 单刀 0 命中就断 absent 假阴性（可能用别的措辞写了） 正反两路 + 相关概念都搜 list_recent(scope=docs) 当全集用 DF-1 已知 docs scope timestamp 失真 / 被 global:memory 淹 coverage 任务别只靠 list_recent，配 search+graph 把 memory-navigation 和本 skill 混淆 重复或漏 memory-navigation 选 第一刀 ；本 skill 决定 补刀策略 盲 follow 全部 Related directions hints frontmatter-alias 泛词把你带去 super-hub 总目录（backlog/lessons） 按 provenance 桶定信任；不相关就忽略 和其他 Skill 的区别（防误触发） Skill 干什么 何时用 memory-search-best-practices （本 skill） 多刀检索 + 题型 recipe + 何时停 召回任务、coverage、source-map、delta、absence memory-navigation 第一刀走哪个工具 + 噪音控制 + 入口决策树 不知道用哪个入口 debugging bug 根因调查 遇到 bug 而非 recall cross-cat-handoff 找别的猫问 自己搜不到求助队友 关系 ：memory-navigation 决定 第一刀走哪个工具 ；本 skill 决定 要不要补刀 + 题型对应几刀几路 + 何时停 。先用 memory-navigation 选入口，再用本 skill 决定后续。 链入下一步 找到决策后想立项 → feat-lifecycle 找到 bug 线索 → debugging 找到 thread 后想看原文 → cat_cafe_get_thread_context 找到一个有意思的方向想跨猫讨论 → collaborative-thinking 相关 Spec : docs/features/F200-memory-recall-eval.md v1.2 SW-1 / docs/features/F256-memory-search-strategy-evolution.md （Phase A 链入 session hook；Phase B/C 上线 Related directions） Related : memory-navigation （前置入口决策） / ../.cat-cafe-shared-refs/memory-routing-partial.md 触发案例 : operator AUDHD recall 任务（2026-05-17）暴露三猫搜出不同子集，催生本 skill；2026-07-08 operator触发 Lint → 补 F256 接法 + 双向校准