# 触发词匹配方案：关键词 vs 语义相似度

> 版本：v1.0 | 最后更新：2026-05-03

---

## 一、现状：关键词匹配

**工作原理**：SOUL.md 中列出触发词列表，检测用户输入中是否包含这些词。

| 类别 | 触发词 |
|------|--------|
| 升维审视 | 升维思考、第一性原理、前提挑战、深层原因、本质是什么、批判地看 |
| 跨域联想 | 跨界视角、换个角度、类比一下、新视角、别的领域、借鉴一下 |
| 知识操作 | 入库、记录这条、保存知识、知识审查 |

### 优点
- **零延迟**：字符串匹配，毫秒级
- **零依赖**：不需要调用任何模型
- **确定性**：100% 可预测，不会误触发

### 缺点
- **漏匹配**：用户说"换个思路"不会触发"换个角度"；说"从别的学科看看"不会触发"跨界视角"
- **维护成本**：需要人工维护触发词列表，不断追加变体
- **僵化**：没法处理同义表达

---

## 二、升级方案：语义相似度匹配

**工作原理**：用现有 Qwen3-Embedding-0.6B 模型，把用户消息转为向量，与触发类别种子词的向量计算相似度。

### 架构

```
用户消息: "从这个角度看有点像生物学里的共生关系"
    ↓
调 Embedding API → 转为 1024 维向量
    ↓
与各触发类别的种子词向量做余弦相似度
    ↓
跨域联想类别: 相似度 0.89（阈值 0.8）→ 触发 ✅
升维审视类别: 相似度 0.45 → 不触发 ❌
```

### 种子词设计

| 类别 | 种子词（3-5 个示例，模型自动泛化） |
|------|-----------------------------------|
| 升维审视 | 升维、本质、第一性原理、前提挑战、深层原因 |
| 跨域联想 | 跨界、类比、换个角度、别的领域、借鉴 |
| 知识操作 | 入库、记录、保存、知识审查 |

不需要穷举，Embedding 模型会自动处理近义词。

### 优点

| 维度 | 关键词匹配 | 语义相似度 |
|------|-----------|-----------|
| 覆盖范围 | 仅精确匹配列表中的词 | 自动覆盖同义词、近义表达 |
| 维护成本 | 需手动追加变体 | 种子词固定，无需频繁维护 |
| 灵活性 | 僵化 | 自然 |

### 缺点

| 维度 | 影响 | 评估 |
|------|------|------|
| 延迟 | 每次调用 Embedding API | ~50-100ms，相对 LLM 响应时间（3-30s）可忽略 |
| 依赖 | 需要 oMLX 运行 Embedding 模型 | 各机器需确保 Embedding 模型已加载 |
| 误触发 | 语义相似但不相关的表达可能过阈值 | 可调整阈值（建议 0.8）+ 结合关键词兜底 |
| 实现复杂度 | 需维护种子词向量 + 相似度计算逻辑 | 约 50 行 Python 代码 |

---

## 三、速度影响实测

```
纯关键词匹配:        0ms
+ Embedding API 调用: 50-100ms
LLM 生成响应:        3,000-30,000ms

增加的比例: 约 0.3%-3% → 无感知
```

**结论：对用户体验无影响。**

---

## 四、建议方案：混合匹配

```
收到用户消息
    ↓
第一步：关键词快速匹配（0ms）
  ├─ 命中 → 直接触发 ✅（极速）
  └─ 未命中 → 进入第二步
              ↓
第二步：语义相似度计算（50-100ms）
  ├─ 相似度 ≥ 0.8 → 触发 ✅
  └─ 相似度 < 0.8 → 不触发 ❌
```

### 好处
- 常见触发词（用户明确说的）0ms 响应
- 边缘表达也能覆盖（语义泛化）
- 关键词作为第一道防线，减少 Embedding 调用频率

---

## 五、多机同步影响

| 项目 | 影响 | 说明 |
|------|------|------|
| **触发词列表** | ❌ 不需要修改 | 种子词写在 SOUL.md 中，Git 同步即可 |
| **种子词向量** | ⚠️ 需每台机器生成 | 各机器第一次使用时自动计算并缓存 |
| **Embedding 模型** | ✅ 各机器已有 | Qwen3-Embedding-0.6B 已在 oMLX 中加载 |
| **相似度计算代码** | ⚠️ 需写一个轻量脚本 | ~50 行 Python，Git 同步 |
| **向量库** | ❌ 不受影响 | 记忆向量和知识向量不变 |
| **知识库** | ❌ 不受影响 | 知识库内容不变 |

**综合评估**：升级成本很低，无破坏性影响，各机器各自运行 Embedding 模型即可。

---

## 六、最终建议

| 选项 | 做法 | 推荐程度 |
|------|------|---------|
| **A：保持关键词匹配** | 维持现状，手动维护触发词列表 | ⭐ 够用 |
| **B：纯语义相似度** | 完全依赖 Embedding | ⭐⭐ |
| **C：混合模式** | 关键词 + 语义兜底 | ⭐⭐⭐ **推荐** |

**推荐选 C**：关键词负责"快"，语义负责"全"。先关键词匹配（0ms），未命中再调 Embedding（50-100ms）。大部分情况下用户会直接说触发词，关键词匹配就够了。