隐式上下文召回难，不只是检索不准，更是“问题表达”和“记忆表达”天然错位。
用户当前的问题往往没有显式提到旧事实，向量检索就很难命中；而如果偏好、历史决策、风险约束都被混成普通文本片段，系统又不知道哪些记忆应该被优先激活。
所以这类问题通常不只是 embedding 模型问题，更是 memory architecture 问题。更有效的方向通常是：
- 先把记忆分类型：偏好、事实、决策、进行中状态
- 为不同类型设计不同的触发条件
- 在生成前做 relevance、recency、authority 的联合排序
- 给“主动回忆”单独设计策略，而不是只等用户明说
一句话：RAG 更擅长回答“这段文本像不像”，隐式记忆更难的是“此刻该不该想起这件事”。