嵌入层
本文档基于
soul-mem-query/src/embedding/当前代码（feature/test_framework分支）。 实现细节见 soul-mem-query。
1. 职责
嵌入层负责：嵌入模型接入、记忆节点/查询的向量化、查询构建与相似度计算。它是检索管线的 向量通道（与字符串通道、tag 通道共同构成相似度评分）。
2. 模型接入
| 模型 | 池化 | 维度 | 分块上限 | 查询指令 |
|---|---|---|---|---|
BGE bge-small-zh-v1.5 | CLS | 512 | 200 字符 | QUERY_INSTRUCTION 前置到每个分块 |
Qwen3 Qwen3-Embedding-0.6B | — | 1024（F32） | 6000 字符 | 无覆写（同 passage 侧） |
- 加载：
embed_anything（内部基于 candle）本地加载，BGE 为进程级OnceLock单例。 - 查询侧与 passage 侧分离：
EmbeddingModeltrait 提供infer_query_batch等查询侧方法， BGE 覆写为前置查询指令（非对称训练用法），Qwen3 使用默认（对称）。
3. 权重体系（BlendWeights）
BlendWeights 集中定义全部 16 个可调权重，经 set_blend_weights 递归传播到查询嵌入：
tag= 0.3、variant= 0.7（两个顶层通道权重，默认）string_blend_alpha= 0.6（字符串通道混合系数）- 各结构化字段（location/participant/emotion/environment/event）子权重
评测框架通过 blend_sweep（tag_sweep / pairs）批量扫描权重组合，见
测试数据规范。
4. 相似度计算（compute_fused）
score = max(embedding_score, alpha × embedding_score + (1 - alpha) × string_score)
embedding_score：余弦相似度（结构化查询按字段 max 融合）。string_score：Jaro-Winkler / 归一化 Levenshtein 字符串距离（仅对精确标识符、 Semantic content/aliases、抽象情境结构化字段生效；具体情境恒为 0）。- 字符串通道只加分不拉低（
max语义）。 - 抽象情境查询有
fused_self()叙事回退（无结构化输入时用叙事文本嵌入）。
5. 数据流
记忆节点 ──embed──▶ EmbeddedMemoryNote { note, embedding } ──入图──▶ MemoryCluster
查询 ──embed──▶ EmbeddedMemoryRetrieveQuery ──compute_fused──▶ 相似度 top-k（soul-mem-algo）
6. 与旧文档的差异
- beta_ver.md 只提“向量搜索“；当前实现新增字符串通道、tag 通道与抽象情境叙事回退。
- 程序性记忆嵌入侧仍为空占位（
Procedure()）。