解決 AI 記憶盲點：受生物啟發的持久記憶系統

對於大多數 AI 代理人而言，記憶是一種二元狀態：要麼事實存在於當前的上下文窗口中，要麼就會在無狀態會話的虛空中遺失。雖然檢索增強生成（Retrieval-Augmented Generation，簡稱 RAG）和向量資料庫已嘗試彌合這一差距，但它們常常受到「盲點」的困擾——無法連結在向量空間中沒有高餘弦相似度的相關事實。

YourMemory 引入了一種受生物啟發的持久記憶方法。透過結合語意向量搜尋、圖形擴展層以及基於艾賓浩斯遺忘曲線的衰減機制，它打造了一個不僅僅是儲存資料，而是像人腦般管理記憶的系統：加強有用的上下文並修剪過時的資訊。

架構：三層智慧

YourMemory 超越「平面 RAG」的限制，實作了一個三層引擎，旨在處理資訊在代理人實際使用時的細微差異。

1. 語意向量搜尋

這是檢索的第一道防線。它使用標準向量搜尋來找出與即時查詢最相關的記憶。雖然快速且精確，但此層受限於詞彙；若查詢與記憶相關卻用詞不同，向量搜尋可能會錯過它們。

2. 基於圖形的上下文擴展

為了解決「盲點」，YourMemory 採用圖形層。在初始向量搜尋之後，系統會進行第二輪搜尋，透過圖形顯示相關的記憶。

這對於「橋接問題」尤為關鍵——即事實 A 引導至事實 B，但事實 B 與原始查詢的語意相似度很低。透過使用 spaCy NER（命名實體辨識）連結共享命名實體的記憶，YourMemory 能夠遍歷這些邊緣，找出缺失的拼圖碎片。

3. 受生物啟發的修剪（艾賓浩斯衰減）

並非所有記憶皆等同。YourMemory 實作艾賓浩斯遺忘曲線，以確保記憶「優雅老化」。

  • 自然衰減： 暫時的上下文會隨時間消逝，而重要的事實則持續存在。
  • 回憶傳播： 每當記憶被召回時，圖形中與之相連的鄰居會獲得「新鮮度提升」。這意味著相關記憶的叢集被使用得越多，整個群組的存活時間就越長。
  • 鏈路感知修剪： 在刪除記憶之前，系統會檢查其鄰居。如果相連的事實仍具相關性，則保留該叢集，避免產生「孤立」事實。

盲點基準測試

為驗證此方法，YourMemory 在多個公開資料集上進行測試，顯示出相較於傳統僅相似度檢索的明顯優勢。

多跳推理（HotpotQA）

在 HotpotQA 干擾集上，系統測試了其為單一問題找出兩個支持事實的能力。

  • 僅相似度檢索： 成功率 59.5%。
  • 使用實體圖形： 成功率 71.5%。

此 12 個百分點的提升主要出現在「橋接問題」中，第二個支持事實僅靠餘弦相似度無法取得。圖形使代理人能透過共享實體從第一個事實「跳躍」至第二個事實。

長期回憶（LoCoMo 與 LongMemEval-S）

在 LoCoMo 資料集上，YourMemory 取得 59% 的 Recall@5，遠超同測試中的 Zep Cloud（28%）。此外，在 LongMemEval-S 上，它達到 84.8% 的 Recall-all@5，儘管資料顯示時間推理與多會話問題仍是最具挑戰性的，完整會話檢索率下降至 75.9%。

運營效率與多代理人支援

除了檢索品質外，YourMemory 也關注在生產環境中運行 AI 代理人的實務限制。

代幣最佳化

透過修剪過時資料並使用目標記憶區塊，YourMemory 能大幅降低代幣浪費。在 30 個開發者會話的模擬中，與歷史線性增長（O(n)）的無狀態基線相比，代幣使用量減少了 84.1%。

多代理人記憶範圍

YourMemory 透過相容 MCP（Model Context Protocol）的伺服器支援複雜的代理工作流程。它允許：

  • 共享記憶： 所有代理人皆可存取的全域上下文。
  • 私有記憶： 代理人專屬的機密或偏好（例如 API 金鑰），僅能由具對應 ym_ API 金鑰的代理人存取。

實作與整合

YourMemory 設計為低摩擦部署，直接整合至 Claude Code、Cursor、Windsurf 與 Zed 等工具。它作為 MCP 伺服器運作，意味著它以背景服務的形式執行，AI 客戶端可依需求呼叫。

對於小規模使用，它可在同一程序內執行，零設定。對於生產規模部署，則提供 PostgreSQL 與 Neo4j 的可選後端，以處理更大資料集與更複雜的圖形遍歷。

Sources