YourMemory：把艾賓浩斯遺忘曲線寫進 AI Memory，讓重要記憶留下、雜訊自然衰減

這篇 Threads 提到 sachitrafa/cognitive-ai-memory，也就是 GitHub 上的 YourMemory。它值得收進知識庫，因為它抓到 AI memory 的一個關鍵問題：記憶不是越多越好，雜訊太多時，召回反而會變差。

主流做法常是把對話切 chunk、做 embedding、丟進 vector store，需要時再 recall。但純 vector store 通常沒有「重要性」與「時間衰減」概念。結果是：一次提到的早餐偏好、長期工作 stack、環境踩坑、專案決策，都可能被放在相近層級處理。

YourMemory 的方向是把人類記憶模型引入 AI memory layer：

每個記憶都有 strength
重要的記憶衰減慢
常被 recall 的記憶衰減慢
衰減到門檻以下自動刪除

官方 README 提到，它使用 Ebbinghaus forgetting curve，memory strength 會隨時間指數衰減，但 importance 和 recall frequency 會降低衰減速度。記憶低於 0.05 strength 會每 24 小時自動 pruning。

這解決什麼問題

AI memory 的問題不是單純「記不住」，而是：

不重要的東西不該永久留下
常用資訊應該更穩定
過時資訊應該自然退場
recall 不該只靠語意相似度，也要看記憶強度

YourMemory 的 retrieval 也不是只有 vector search。README 提到它用 BM25 + vector + graph + decay，並用 graph expansion 找出語彙不相同但上下文相連的記憶。

我的判斷

這篇最值得保留的觀念是：AI memory 需要「遺忘能力」。沒有遺忘的 memory system，最後會變成一個越來越胖、越來越吵、越來越不可信的向量垃圾場。

成熟的 AI memory 至少要回答四個問題：

哪些東西值得永久保留？
哪些東西只是暫時上下文？
哪些記憶隨時間衰減？
哪些記憶因為常被使用而應該強化？

對我們自己的 Hermes / Allen KB / multi-agent workflow 來說，這個方向很有參考價值。memory 不該只是 add-only store，而應該有 importance、recency、usage frequency、correction history 和 pruning。

來源：