语义搜索向量索引：构建与验证报告

给 8,000+ 原始语料建的本地语义索引已建成并验收。本篇记录构建参数、验证结果与使用方式。
工具：wiki/tools/build_vector_index.py + wiki/tools/wiki_search.py（详见 WIKI_SEARCH 说明）。

一、构建结果

指标	数值
索引文件数	6,353 个 markdown
分块数	117,411 块（600 字 + 80 重叠）
嵌入模型	BAAI/bge-small-zh-v1.5（512 维，中文优化）
索引体积	240 MB（faiss FlatIP）
构建耗时	153 分钟（纯 CPU，i7-1185G7，8 线程）
查询耗时	<1 秒（索引加载 0.8s + 嵌入 0.04s）
存储位置	`~/文档/区块链wiki-vectordb/`（vault 外）

覆盖说明：6,353 = 全部可读 md 文件（占 raw/articles/ 的 78%）。剩余为 PDF/docx/pdg 等二进制，需转换后才能编入（见文末"后续可选"）。

二、召回质量验证（4 条演示查询）

1. 「稳定币监管新进展」

前 4 条全部命中稳定币文件夹的深度专题：
- PA News Lab 稳定币新闻汇总、panews 稳定币内容、Cointelegraph 稳定币网站分析、稳定币领域关键洞察（得分 0.76-0.78）

2. 「Celestia 数据可用性层」

准确召回 Celestia 专题研究（N1318 项目研究）+ 2026 年 6-7 月最新周报（得分 0.64-0.68）

3. 「代币化美国国债 RWA 收益」

语义跨词命中：RWA 专题 + OpenEden（代币化国债代表项目）+ Metafyed/ZOTH（得分 0.77-0.78）——搜索词不含任何项目名，纯靠语义关联召回

4. 「AI 代理自主交易」

命中 Aura（AI 交易竞争）、Axal（32,000 代理）、ATXP（AI 代理跨平台交易）、Skyfire（AI 代理支付）——均为项目研究页，含可读片段（得分 0.72-0.78）

结论：语义检索工作正常，能召回关键词搜不到的关联文件（这是相对 Obsidian 全文搜索的核心增量）。

三、使用方式

# top 8 结果
python3 ~/文档/我的区块链wiki/wiki/tools/wiki_search.py "L2 扩容方案对比" --top 8

# 显示命中片段
python3 ~/文档/我的区块链wiki/wiki/tools/wiki_search.py "Celestia 数据可用性" --show-text

用户说 "结合知识库" 时：先 wiki_search.py 召回候选 → 回原文精读 → 综合回答。
向量召回是候选生成，不是结论——命中片段需回原文核对（分块截断、可能脱离上下文）。

四、对知识库工作流的意义

打破关键词天花板：Obsidian 全文搜索命中"字面"，这套索引命中"语义"。搜「代币化国债」能拉到 OpenEden，搜「AI 代理」能拉到项目研究页。
让融资项目库可被"提问"：2,683 个项目研究页（此前只能按目录浏览）现在可以按主题/能力/赛道提问召回。
为下一步铺路：向量库 + 已建好的 2026-08-10-blockchain-5year-timeline-narrative 趋势雷达，是"活情报系统"的两个引擎。每月新语料进库后重跑增量即可。

五、诚实声明与限制

只索引 md 文件；2,000+ 二进制文件（PDF/docx/pdg）未编入。
分块 600 字会截断长文上下文，个别片段可能语义孤立——召回用于定位，精读必须回原文。
纯 CPU 构建 2.5h/次；增量重跑（新语料）通常仅需几分钟（断点续跑自动跳过已完成文件）。
索引是内积余弦，不做阈值过滤——得分仅供参考相对排序，0.64 以下命中需人工判断。

六、后续可选

PDF/docx 提取文本后编入（覆盖剩余 22% 语料）
wiki/concepts/、wiki/entities/、wiki/reports/ 页面也编入（"知识库内的语义导航"）
把查询工具接到自动化周报流程（每周问"本周什么最热？"）

相关工具： WIKI_SEARCH
相关报告： 2026-08-10-blockchain-5year-timeline-narrative ｜ 2026-08-10-ai-reports-funding-project-panorama