解决 AI 记忆盲点：受生物启发的持久记忆用于智能体

对于大多数 AI 智能体而言，记忆是一种二元状态：要么某个事实位于当前上下文窗口中，要么它就会在无状态会话的虚空中丢失。虽然检索增强生成（RAG）和向量数据库已经尝试弥合这一差距，但它们常常存在一个“盲点”——无法关联在向量空间中余弦相似度不高的相关事实。

YourMemory 引入了一种受生物启发的持久记忆方法。通过将语义向量检索与基于图的扩展层以及基于艾宾浩斯遗忘曲线的衰减机制相结合，它构建了一个不仅仅存储数据，而是像人脑一样管理记忆的系统：强化有用的上下文并修剪陈旧信息。

架构：三层智能

YourMemory 超越了“平面 RAG”，实现了一个三层引擎，旨在处理信息在智能体实际使用中的细微差别。

1. 语义向量检索

这是检索的第一道防线。它使用标准向量搜索来寻找与当前查询最相关的记忆。虽然快速且精确，但该层受词汇限制；如果查询与记忆相关但表述不同，向量搜索可能会遗漏它们。

2. 基于图的上下文扩展

为了解决“盲点”，YourMemory 使用图层。在初始向量搜索之后，系统进行第二轮遍历，通过图结构呈现相关记忆。

这对“桥接问题”尤为关键——即事实 A 导致事实 B，但事实 B 与原始查询的语义相似度很低。通过使用 spaCy NER（命名实体识别）链接共享命名实体的记忆，YourMemory 能够遍历这些边缘，找到缺失的拼图碎片。

3. 受生物启发的修剪（艾宾浩斯衰减）

并非所有记忆都同等重要。YourMemory 实现了艾宾浩斯遗忘曲线，以确保记忆“优雅老化”。

  • 自然衰减： 短暂的上下文随时间消退，而重要事实则持久保留。
  • 召回传播： 每当记忆被召回时，图中其相连的邻居会获得“新鲜度提升”。这意味着相关记忆簇使用得越多，整个群组的存活时间越长。
  • 链式感知修剪： 在删除记忆之前，系统会检查其邻居。如果相连的事实仍然相关，则保留该簇，防止产生“孤立”事实。

盲点基准测试

为了验证此方法，YourMemory 在多个公开数据集上进行测试，展示了相较于传统仅相似度检索的明显优势。

多跳推理（HotpotQA）

在 HotpotQA 干扰集上，系统被测试其为单个问题寻找两个支持事实的能力。

  • 仅相似度检索： 成功率 59.5%。
  • 使用实体图： 成功率 71.5%。

这一 +12 个百分点的提升主要出现在“桥接问题”，其中第二个支持事实仅靠余弦相似度无法检索到。图结构使智能体能够通过共享实体从第一个事实“跳跃”到第二个事实。

长期召回（LoCoMo 与 LongMemEval-S）

在 LoCoMo 数据集上，YourMemory 达到 59% 的 Recall@5，显著超越同测的 Zep Cloud（28%）。此外，在 LongMemEval‑S 上，它实现了 84.8% 的 Recall‑all@5，尽管数据表明时间推理和多会话问题仍是最难的挑战，完整会话检索的召回率下降至 75.9%。

运行效率与多智能体支持

除了检索质量，YourMemory 还关注在生产环境中运行 AI 智能体的实际约束。

令牌优化

通过修剪陈旧数据并使用有针对性的记忆块，YourMemory 能显著降低令牌浪费。在对 30 个开发者会话的模拟中，与历史线性增长的无状态基线相比，令牌使用量减少了 84.1%（O(n)）。

多智能体记忆范围

YourMemory 通过兼容 MCP（模型上下文协议）的服务器支持复杂的智能体工作流。它允许：

  • 共享记忆： 所有智能体均可访问的全局上下文。
  • 私有记忆： 仅对拥有相应 ym_ API 密钥的智能体可访问的特定于智能体的机密或偏好（例如 API 密钥）。

实现与集成

YourMemory 旨在实现低摩擦部署，直接集成到 Claude Code、Cursor、Windsurf 和 Zed 等工具中。它以 MCP 服务器的形式运行，即作为后台服务，AI 客户端在需要时调用。

对于小规模使用，它以进程内方式运行，无需任何设置。对于生产规模部署，它提供 PostgreSQL 和 Neo4j 的可选后端，以处理更大数据集和更复杂的图遍历。

Sources