常见问题

Seizn Memory 是一个为 AI 应用程序提供持久、可搜索记忆的 AI 记忆基础设施。与仅存储/搜索向量的向量数据库不同，Seizn 包含完整的产品层：记忆提取、策略管理、密钥管理、删除、审计日志和 SDK。它解决了跨 AI 会话维护上下文和实现个性化 AI 体验的问题。

向量数据库是向量的存储/搜索基础设施。Seizn 是建立在其之上的完整记忆系统，提供：从对话中自动提取记忆、记忆类型分类、命名空间/作用域管理、API 密钥轮换、审计日志、SDK 和治理功能。可以理解为「记忆基础设施」与「搜索基础设施」的区别。

不需要。最常见的起点是：存储记忆 -> 搜索 -> 注入提示词。RAG（自动上下文组合 + 响应生成）是下一步。您可以简单开始，根据需要增加复杂性。

1) POST /api/memories 存储用户偏好。2) GET /api/memories 搜索。3) 将结果注入 LLM 提示词。4) 之后，添加 /api/extract 进行自动提取，添加 /api/query 获取记忆增强响应。

存储跨对话有效的信息：偏好（语气、语言、格式）、事实（工作、工具、项目结构）、指令（「总是用表格总结」）、关系（「Alice 是团队负责人」）。除非使用会话作用域，否则避免存储临时或会话特定的数据。

永远不要存储：密码、API 密钥、令牌、会话 Cookie（认证信息）、社会安全号、护照号、银行账户（PII）、信用卡信息（支付数据）。对于临时数据，如果需要可以使用带 TTL 的会话作用域。

命名空间按项目/租户/环境分离记忆。没有它，数据会混合，搜索质量下降，删除/导出变得困难。推荐：'org:acme/app:chat/env:prod' 或 'project:myapp/env:staging'。生产环境中永远不要只使用 'default'。

user：全局适用于用户的偏好。session：仅在此对话中有效的目标或上下文。agent：多代理系统中特定于一个代理的规则。正确使用作用域可以减少提示词长度并提高响应一致性。

memory_type 对记忆进行分类：fact（不变信息）、preference（用户选择）、instruction（要遵循的规则）、relationship（人/组织联系）、experience（过去事件）。这是用于过滤、删除和策略应用的最强大的维度。

limit：要检索的候选记忆数量（太低会错过相关记忆，太高会产生噪音上下文）。threshold：0-1 相似度截止值（越高越严格）。从 limit=10、threshold=0.7 开始。如果缺少记忆，将 threshold 降至 0.6，limit 提高到 20。如果结果不相关，将 threshold 提高到 0.75-0.8。

通常是以下原因之一：1) 命名空间混合，2) 存储的记忆太多（噪音），3) threshold 太低，4) 内容太抽象（「喜欢东西」与具体事实）。解决方案：分离命名空间、使内容具体化、提高 threshold。

添加重要性评分，只保留高重要性的记忆。使用 TTL 自动过期旧记忆。定期将相似记忆合并为摘要。分离命名空间以减少搜索范围。

推荐流程：1) 使用 auto_store=false 调用以预览提取的记忆。2) 向用户显示结果以确认。3) 只存储已批准的记忆。4) 一旦提取质量得到证明，切换到 auto_store=true 进行自动化。

haiku：更快、更便宜，适合大多数情况。sonnet：更准确，更适合重要提取（入职、合同、政策）。大批量/初始提取使用 haiku，重要场景使用 sonnet。

可以，但推荐的模式是：创建新记忆 + 删除/归档旧记忆。这种方法更适合审计追踪，并防止回归问题。

两种方法：1) 按 ID 删除（精确），2) 按命名空间删除（批量清理）。对于企业/合规，确保「完全删除 + 审计日志」。清楚地记录您的删除策略。

您已达到速率限制。解决方案：1) 实现指数退避（1秒 -> 2秒 -> 4秒）。2) 在服务器端排队请求。3) 减少请求频率：缓存重复查询、批量操作、降低提取频率。

最大成本驱动因素：1) 提取频率 - 减少调用。2) 搜索范围 - 使用命名空间缩小。3) 模型选择 - 日常使用 haiku，重要的使用 sonnet。4) 缓存 - 缓存重复查询。5) 尽可能批量操作。

不推荐 - 密钥泄露风险高。从您的服务器（Next.js Route Handler、Cloudflare Worker、无服务器函数）调用 Seizn，让浏览器调用您的服务器。永远不要将 API 密钥暴露给客户端代码。

他们需要：1) 数据范围（存储/不存储什么），2) 加密（静态：AES-256，传输中：TLS），3) 租户隔离方法，4) 删除/保留策略，5) 审计日志访问，6) 密钥轮换/过期策略。在文档中保留安全与治理页面。

Seizn 使用 Graph-RAG 架构，将向量嵌入与知识图谱关系相结合。记忆存储为具有类型化边（relates_to、supports、contradicts 等）的节点。这使得能够：通过图遍历进行上下文回忆、用于主题聚类的自动社区检测、以及具有有效期的时间知识跟踪。

Seizn 根据使用情况自动将记忆组织到不同层级：Hot 层（频繁访问，保留在快速缓存中）、Warm 层（偶尔访问，标准检索）、Cold 层（很少使用，归档但可搜索）。层级管理器根据访问模式自动提升/降级记忆，同时优化性能和成本。

Seizn 为每个记忆存储原始内容和规范英语表示。搜索查询与两种嵌入进行匹配，使得像用英语搜索找到印地语记忆这样的场景成为可能。我们使用支持 100+ 种语言的多语言嵌入模型（BGE-M3、LaBSE），具有高跨语言对齐度。

Seizn 支持 35+ 种语言的记忆提取和搜索，包括：英语、中文（简体/繁体）、印地语、西班牙语、法语、德语、日语、韩语、俄语、乌克兰语、阿拉伯语，以及所有主要印度语言（泰米尔语、泰卢固语、孟加拉语等）。语言以 95%+ 的准确率自动检测。

MCP（模型上下文协议）允许像 Claude Desktop 这样的 AI 助手直接访问 Seizn 记忆。安装我们的 MCP 服务器（npx @seizn/mcp-server），将其添加到 Claude Desktop 配置中，助手就可以在对话期间自动保存和检索记忆。这实现了跨会话的持久个性化。

Seizn 构建于：带有 React Server Components 的 Next.js 16、Supabase（PostgreSQL + pgvector 用于向量搜索）、Voyage AI voyage-3 模型（1024 维嵌入）、Claude 用于记忆提取和分析。我们使用 HNSW 索引实现亚 100ms 向量搜索、WebSocket 实时订阅和 Redis 缓存。

三种主要方法：1) REST API - 直接 HTTP 调用以获得完全控制，2) SDK（TypeScript/Python）- 带重试逻辑的类型安全包装器，3) MCP 服务器 - 与 Claude Desktop 和其他 MCP 兼容助手的自动集成。对于生产环境，我们建议使用 SDK 配合服务器端调用来保护您的 API 密钥。

Context API（GET /api/context）返回可直接注入 LLM 提示的预格式化字符串。它结合了：用户档案、最近记忆、相关事实和图上下文。根据上下文预算使用 format=brief（~500 tokens）、detailed（~1500 tokens）或 extended（~3000 tokens）。