我使用艾宾浩斯遗忘曲线为 AI 代理构建了记忆衰减

Source: Dev.to

问题

大多数 AI 记忆系统对每个事实都一视同仁，永久保存。
如果你告诉 Claude 你使用 React，六周后又说你改用了 Vue，这两个事实仍然以相同的权重保存在记忆中。系统无法判断哪个是当前的，所以你要么手动删除旧的，要么模型会感到困惑。

解决方案 – YourMemory

YourMemory 是一个 MCP 记忆服务器，它在检索时应用艾宾浩斯遗忘曲线。记忆会根据重要性和被召回的频率随时间衰减。经常访问的记忆保持强度，而从未重新访问的记忆会逐渐消失并自动被裁剪。

检索分数

score = cosine_similarity × Ebbinghaus_strength
strength = importance × e^(−λ_eff × days) × (1 + recall_count × 0.2)

基准测试

我在 Snap Research 的 LoCoMo 数据集（200 条问答对，覆盖 10 组多月对话样本）上将 YourMemory 与 Mem0 进行了对比。

实现

YourMemory 提供了三个 MCP 工具：

• recall_memory
• store_memory
• update_memory

将其添加到你的 Claude settings.json 中，以在会话之间持久化上下文：

{
  "mcpServers": {
    "yourmemory": {
      "command": "yourmemory"
    }
  }
}

Claude 随后在每个任务上遵循 召回 → 存储 → 更新 工作流。它频繁呈现的记忆会被强化；从未触及的记忆则会衰减。

技术栈

• PostgreSQL + pgvector 用于向量存储
• Docker + Ollama 用于部署（目前为手动搭建）

当前状态与反馈征集

• 早期阶段；核心衰减模型已基本完成。
• 部署仍需手动步骤。

我期待大家对衰减参数的反馈，以及这种方法在大规模场景下是否可行的意见。

链接

• GitHub 仓库：
• 完整的基准测试方法论：