哈勃半徑：全新AI記憶層

🔑 增強重點摘要

• •「哈勃半徑」概念的核心在於將非結構化的 RSS 訂閱流轉化為向量資料庫（Vector Database）可檢索的知識圖譜，解決了傳統 RAG 僅限於靜態文件而無法處理即時資訊流的痛點。
• •該架構採用了本地化優先（Local-first）的隱私策略，透過 Meilisearch 進行全文檢索與語義搜尋的混合模式（Hybrid Search），顯著降低了對外部雲端搜尋 API 的依賴。
• •此系統引入了「知識邊界」的概念，透過自動化標記機制區分用戶的「已讀事實」、「結構化知識」與「潛在資訊」，從而優化 LLM 在處理複雜查詢時的上下文（Context Window）利用率。

🛠️ 技術深入

• •資料擷取層：利用 FreshRSS 作為中介，透過 Webhook 或定時任務將 RSS 內容推送到本地處理管道。
• •索引機制：使用 Meilisearch 進行高效能全文檢索，並結合 Embedding 模型（如 OpenAI text-embedding-3 或本地部署的 BGE 模型）將文字向量化存入向量資料庫。
• •檢索架構：採用混合檢索（Hybrid Search），結合 BM25 關鍵字匹配與向量相似度搜尋，以提升對特定術語與語義概念的召回率。
• •LLM 整合：透過 LangChain 或 LlamaIndex 框架，將檢索到的上下文注入 Prompt，並利用 Hermes 等微調模型進行結構化輸出與知識歸納。

🔮 前景展望AI analysis grounded in cited sources