search-knowledge

/digital-marketing-pro:search-knowledge

用途

在向量数据库和知识图谱中，对所有已存储的品牌知识进行语义搜索。可回答诸如“第四季度的电子邮件营销有哪些做法奏效？”“我们的品牌语调指南是什么？”“展示受众 X 相关的经验总结”或“我们对竞争对手 Y 的定价有何了解？”等问题。搜索结果会按相似度排序，并附带完整的溯源上下文，让 Agent 和用户能够依据品牌以往积累的全部知识做出决策，而不只依赖当前会话中的记忆。搜索会同时覆盖所有关联的记忆层：向量数据库（用于语义相似度搜索）、知识图谱（用于实体关系搜索）以及本地索引（用于搜索尚未同步的近期条目）。

必需输入

用户必须提供以下信息（或系统会提示用户提供）：

• 搜索查询：自然语言问题或主题，例如：“哪些电子邮件主题行模式带来了最高的打开率？”“我们在欧盟市场有哪些合规限制？”“展示我们所了解的关于竞争对手 X 的全部信息”或“第四季度有哪些面向千禧一代受众的营销活动策略奏效？”查询会经过嵌入并进行语义匹配，因此无需与已存储内容的措辞完全一致
• 内容类型筛选器（可选）：将结果限定为特定类型——guideline、campaign-learning、competitive-intel、performance-insight 或 brand-asset。省略此项则搜索所有类型。可以用逗号分隔的列表指定多个类型
• 日期范围筛选器（可选）：将结果限制在某个时间段内，例如：“过去 90 天”“2025 年第四季度”“2025-01-01 to 2025-06-30”或“今年”。适用于对时效性敏感的查询，因为较早的知识可能已过时或被取代
• 最大结果数（可选）：要返回的结果数量——默认值为 10，最大值为 50。全面调研查询和知识审计可使用较高上限；快速查询具体事实则可使用较低上限
• 标签筛选器（可选）：根据特定标签进一步缩小范围，例如：“email”“paid-social”“audience-millennials”“black-friday”。此筛选器会与内容类型和日期范围筛选器组合，作为 AND 条件进行精确检索
• 优先级筛选器（可选）：按知识优先级筛选——high 表示主动呈现的洞察，normal 表示标准条目，all（默认值）表示全部。只需查找最有影响力的经验总结时，可使用 high
• 包含已过期条目（可选）：是否包含已超过到期日期的知识条目——默认值为 false。若进行历史研究且过时知识仍有存档价值，可设为 true
• 搜索模式（可选）：semantic（默认值——自然语言相似度）、exact（精确术语的关键词匹配，例如营销活动名称或指标值）或 hybrid（结合两种方式并采用加权评分）

流程

1. 加载品牌背景信息：读取 ~/.claude-marketing/brands/_active-brand.json 获取当前启用的 slug，然后加载 ~/.claude-marketing/brands/{slug}/profile.json。应用品牌语气、目标市场的合规规则（skills/context-engine/compliance-rules.md）和行业背景信息。另检查 ~/.claude-marketing/brands/{slug}/guidelines/_manifest.json 中是否有指南；如果存在，则加载其中的限制条件。检查 ~/.claude-marketing/sops/ 中是否有代理机构 SOP。如果没有品牌，则询问：“先设置品牌吗（/digital-marketing-pro:brand-setup）？”——也可以使用默认设置继续。
2. 检查已配置的记忆服务：运行 python "${CLAUDE_PLUGIN_ROOT}/scripts/memory-manager.py" --brand {slug} --action get-memory-status，查看哪些记忆后端已通过环境变量配置（这里只检查环境变量——不会测试实时可用性或容量）。仅查询实际已连接的后端：用于语义相似度搜索的向量数据库（例如 Pinecone）、用于关系查询的知识图谱服务（如果已连接）、跨会话存储（如果已连接），以及始终可用的本地索引。DMP 不捆绑这些服务——本地索引始终可用，其他服务均为可选。
3. 执行向量搜索：如果已连接向量数据库 MCP（例如 Pinecone），则使用用户的搜索查询进行检索，并将内容类型、日期范围、标签和优先级筛选条件作为元数据约束。请求按余弦相似度排序的前 N 条结果，并返回完整的元数据负载。
4. 执行图搜索（仅当已连接图服务时）：如果已连接可用的知识图谱 MCP 服务（可选；默认不附带），也查询与搜索内容相关的实体关系和因果链，例如“哪些营销活动影响了受众增长”“哪种策略取代了旧方法”或“竞争对手 X 的定位发生了怎样的变化”。图搜索结果可以提供单靠向量搜索无法捕捉的关系和时间背景。
5. 搜索本地索引：运行 memory-manager.py --action search-local，检查本地记忆索引中是否有尚未同步到向量数据库的条目。这可以找到最近会话中通过 /digital-marketing-pro:save-knowledge 存储在本地、但尚未通过 /digital-marketing-pro:sync-memory 推送到持久化存储的知识。
6. 合并并排序结果：合并所有已查询层级（向量数据库、知识图谱、本地索引）的结果，按内容哈希去重，并根据综合相关性排序。综合考虑向量相似度分数、图关系强度、时效性和优先级。将原始相似度分数转换为易读的相关性类别（高度相关、相关、略微相关）。
7. 结合背景信息呈现结果：按排序显示结果，并提供完整的来源信息——内容摘要、内容类型、标签、来源、存储日期、相关性类别、优先级和相关条目。对于图搜索结果，加入实体关系和时间背景。根据结果中的模式建议后续查询。

输出

包含以下内容的结构化搜索响应：

• 查询解读：自然语言查询的解析方式——提取的关键概念、应用的筛选条件（内容类型、日期范围、标签、优先级）、使用的搜索模式，以及查询的记忆层
• 结果列表：按相关性排序的条目，包含：相关性类别（高度相关、有关联、略有关联）、内容摘要、内容类型、标签、来源归属、存储日期、优先级、存储层（向量数据库、图谱、本地），以及适用时的过期状态
• 图谱关系（如适用）：发现的实体关系——营销活动关联、因果链、时间序列、策略演变路径，以及竞争对手关系图，为关键词匹配提供更多结构化背景
• 交叉引用：结果之间的链接——例如，一条营销活动经验关联到一项效果洞察和一条竞争情报，从而展现不同知识类型之间的全貌
• 知识缺口：查询显示可能应存在知识但未找到相关条目的领域——提供具体建议，通过 /digital-marketing-pro:save-knowledge 或数据收集来填补这些缺口
• 后续建议：用户可运行的优化或扩展查询，用于探索相关知识——根据当前结果中发现的标签、实体和内容类型生成
• 各层结果数量：按记忆层划分的结果数量，便于了解搜索覆盖范围和同步状态
• 搜索性能：各层及总查询执行时间，便于诊断搜索缓慢或外部记忆服务连接问题

使用的 Agent

• memory-manager — 解析查询，提取概念并构建筛选条件；并行执行多层搜索（通过已连接的 MCP 搜索向量数据库；如存在已连接的图谱 MCP，则搜索知识图谱；通过文件系统搜索本地索引）；按内容哈希去重结果；跨层合并结果并进行综合相关性排序；将相似度分数转换为易于理解的类别；从图谱结果中提取关系背景；根据查询覆盖范围分析检测知识缺口；根据结果模式分析生成后续查询