Kernel Memory是微软开源的AI记忆抽象框架，非C#原生库，核心功能是自动处理非结构化数据的切块、向量化与语义检索，需正确配置向量库、嵌入模型及重排序器才能有效支撑长期记忆。
Kernel Memory是什么，它真能当AI的长期记忆用？
Kernel Memory（KM）不是C#原生库，而是微软开源的、面向AI应用的记忆抽象框架，底层用C#实现，但设计目标是跨语言。它不替代数据库，也不等同于缓存——它的核心价值在于把非结构化数据（PDF、网页、Markdown等）自动切块、向量化、索引，并支持语义检索。你不能把它当Dictionary<string object></string>来存取，也不能靠Memory<t></t>或Span<t></t>去优化它的内存占用。
如何在C#项目中正确引用并初始化Kernel Memory
直接通过NuGet安装最新稳定版即可，注意版本兼容性：当前（2024年中）推荐用Microsoft.KernelMemory 7.x，它依赖Microsoft.SemanticKernel 1.0+，若混用SK 0.27会因IAIService接口变更导致运行时找不到方法。
- 执行
dotnet add package Microsoft.KernelMemory --version 7.0.0 - 必须配置至少一个
IPipelineOrchestrator实现，默认用InProcessPipelineOrchestrator，但生产环境建议换RedisPipelineOrchestrator防进程重启丢任务 - 向量存储必须显式指定，例如用
QdrantClient或AzureAISearchClient；空配置下KM会抛InvalidOperationException: No vector DB client configured - 不要手动new
KernelMemoryBuilder()——要用KernelMemoryBuilder.BuildAsync()，否则ImportDocumentAsync会静默失败
导入文档时常见的路径与格式陷阱
KM对文件路径敏感，尤其在Linux容器或.NET 8+默认启用System.IO.UseLegacyPathHandling=false时，file://前缀或反斜杠\会导致FileNotFoundException，即使文件明明存在。
- 统一用
Path.GetFullPath("docs/report.pdf")生成绝对路径，再传给ImportDocumentAsync - PDF解析依赖
Microsoft.KernelMemory.Pdf扩展包，不引用则返回空内容，且无警告 - 网页导入需提前配置
WebContentExtractor，否则只拿到HTML源码字符串，向量化后语义断裂 - 自定义分块逻辑必须继承
IDocumentPartitioningService并注册，改MaxTokensPerChunk参数只是影响默认分块器，不生效于已注册的自定义实现
检索结果为什么总是不相关？关键在Embedding和Reranking配置
默认的OpenAIEmbeddingGenerator使用text-embedding-ada-002，但该模型已于2024年停产，若未更新为text-embedding-3-small，召回质量会断崖下降；更隐蔽的问题是：KM默认关闭reranking，而仅靠向量相似度排序，在多主题混合文档中极易把高余弦相似但低相关性的片段排前面。
- 必须显式设置
EnableReranking = true，并注入IReranker实现（如CohereReranker或本地MiniLMReranker） -
MaxResults设为5不代表返回5个最相关结果——它是向量库初筛后的数量，reranker再从中重排，实际返回仍受TopK控制 - 查询文本若含特殊字符（如
"C# async/await"），需先经HtmlEncoder.Default.Encode()预处理，否则Qdrant可能报invalid UTF-8 sequence - 别忽略
AnswerQuestionAsync里的AnswerPrompt模板——它决定LLM如何整合检索片段，用默认模板在技术文档场景常产生虚构引用
真正难的不是接入，是让每一步的输出可验证：导入后查km.MemoryIndex.ListDocumentsAsync()确认文档状态，检索后打印result.RelevanceScore和result.RerankScore对比，否则你根本不知道问题出在embedding、分块还是rerank环节。
