@local/dsh-cue-bank

2. 触发时机可配置

配置	默认	说明
topic.switchDetection	true	开启话题切换检测
topic.switchThreshold	0.25	关键词重合度低于此值视为切换（0~1）
topic.scanEveryTurn	false	每轮都扫描（灵敏但开销大）；false 时只在切换时扫描

3. 匹配算法：双模式可配置

模式	成本/次唤醒	效果	适用
keyword（TF 加权穷举）	0（纯本地）	词面重合准确，语义弱	无外部 key
vector（向量余弦）	≈ ¥0.000025（见下）	语义匹配强	有 embedding key
auto（默认）	—	有 key 用向量，否则降级关键词	推荐

⚠️ DeepSeek 官方 API 不提供 embedding 端点（见 issue #806），向量模式走 OpenAI 兼容接口（默认 SiliconFlow BAAI/bge-m3）。库向量在写入时预计算并缓存，唤醒时只编码 1 条 query，不重复计费。

成本估算（bge-m3 / SiliconFlow，2026-08 行情）：

• 单次唤醒：编码 query ~50 tokens ≈ ¥0.000025（每 1 万次话题切换约 ¥0.25）
• 写入时：每轮 1 次嵌入（可忽略）
• 关键词模式：零外部成本

完整配置项

键	默认	说明
storageRoot	''	空 = $DSH_HOME/storages/cue-bank
matchMode	auto	auto | keyword | vector
embedding.baseURL	https://api.siliconflow.cn/v1	OpenAI 兼容端点
embedding.apiKeyEnv	SILICONFLOW_API_KEY	API key 环境变量名
embedding.model	BAAI/bge-m3	嵌入模型
embedding.dimensions	1024	向量维度
embedding.timeoutMs	5000	嵌入超时
topic.switchDetection	true	话题切换检测开关
topic.switchThreshold	0.25	切换阈值（关键词重合度）
topic.scanEveryTurn	false	每轮扫描
topic.maxKeywords	10	每轮提取关键词数
inject.enabled	true	唤醒注入开关
inject.maxCues	3	最多注入几条记忆
inject.maxDetailChars	400	单条细节截断长度
extract.enabled	true	建库开关
extract.maxKeywordsPerTurn	12	每轮入库关键词数
extract.keywordMinLen	2	关键词最小长度
extract.userIdiomWindowTurns	10	惯用词统计窗口（轮）
extract.maxIdiomHints	5	唤醒时最多提示几个惯用词
dbg	false	调试日志

向量模式离线验证（未配置真实 key）

用本地 mock OpenAI 兼容 embedding 服务器验证代码路径，未调用任何真实 API：

• ✅ API 调用契约（POST /embeddings、Bearer auth、OpenAI 兼容格式）
• ✅ 余弦相似度算法：相关文本 0.68 vs 无关文本 0.12，阈值 0.3 命中/不误报判定正确
• ✅ 无 key 时 available=false → matchMode: auto 自动降级 keyword
• ✅ 超时中止（AbortController）错误处理

启用向量模式只需设置 SILICONFLOW_API_KEY 环境变量（或配置 embedding.apiKey），无需改代码或配置。