企业知识库：向量化在本地跑，用过的会沉淀
GestaWorks 的内部知识库把向量化放在本机执行：embedding 模型随包分发，向量与全文索引都存在本地。检索走向量与全文的混合检索，记忆跨会话复用，技能在真实使用中被评分与重铸。
这一页覆盖的能力
完全本地的向量化
多语种 embedding 模型随产品分发，向量化过程在本机完成，embedding 不出机器。
混合检索
向量检索与全文检索各由独立 worker 承担，两者结果合并后交给模型使用，而不是只靠一种召回方式。
记忆系统
从会话中抽取观察、提炼成事实、做双层去重，再跨会话复用；记忆按需查询，而不是一次性全部塞进上下文。
技能沉淀
会话里的可复用经验沉淀为技能候选，经抽象与去重后成为技能；技能的真实表现被持续追踪、评分并按证据重铸，可回滚。
典型场景
- 企业内部文档不适合上传到外部服务，需要在本地完成索引与检索；
- 同一类问题反复出现，希望答案随使用次数变得更稳，而不是每次重新教；
- 需要在结构化业务库上做自然语言问答，靠 schema 与字段释义接地。
边界与前提
- 本地向量化保证的是 embedding 过程不出机器，不等于「所有数据永不出机器」 —— 调用外部模型时，上下文仍会离开本机，是否允许由模型与数据源配置决定。
- 检索质量取决于语料质量与切分方式，平台不承诺「导入即准」；结构化数据需要先做 schema 与字段释义的接地。
- 技能重铸需要真实使用证据，新技能在积累足够样本前不会自动升级。
常见问题
- embedding 会发到云端吗？
- 不会。向量化由随包分发的本地模型完成，embedding 不出机器。
- 记忆会不会越积越多、拖慢每次对话？
- 记忆按需查询而不是全量注入，底层索引有周期性优化，避免随体量增长而膨胀。
- 能对企业数据库直接提问吗？
- 可以。结构化数据通过 schema 目录、字段释义字典与数据模型文档三件套接地，模型把自然语言转成查询后再分析。