Show HN：具備生物性衰減機制的 AI 記憶系統（召回率達 52%）

背景

在當前的 AI 代理開發中，如何處理長期記憶與上下文窗口的平衡是一大挑戰。開發者 Sachit Misra 推出了名為 YourMemory 的開源專案，這是一個基於模型人類生物遺忘曲線（艾賓浩斯遺忘曲線）的 MCP 伺服器。該系統透過賦予記憶「強度」分數，讓頻繁調用的資訊得以強化，而久未使用的過時資訊則會隨時間自動衰減並剔除，旨在解決 RAG 系統中常見的雜訊堆積與 Token 浪費問題。

社群觀點

針對這種模擬生物遺忘機制的做法，Hacker News 社群產生了兩極化的討論。部分開發者對此概念表示讚賞，認為遺忘並非缺陷，而是智慧的體現。支持者指出，人類之所以能持續進步並維持系統穩定，正是因為我們不會永久保留所有細節，這種非線性的衰減機制能有效過濾掉無意義的暫時性資訊，避免 AI 在處理長週期專案時被過時的決策干擾。然而，也有批評者認為「生物記憶」只是一種行銷包裝，本質上就是一種帶有權重的快取管理機制，且質疑其在基準測試上的表現可能存在過度擬合或容易作弊的問題。

在實務應用層面，許多資深開發者對「通用型長期記憶」持保留態度。一些留言者分享了負面經驗，指出當 AI 記住過多過去的對話時，往往會產生誤導，例如在處理新專案時，AI 會被前一天討論的其他技術棧干擾，甚至出現類似「精神錯亂」的行為，將不相關的專案需求混為一談。這類觀點主張，與其依賴自動化的記憶衰減，不如回歸傳統的工程實踐。例如，透過撰寫精簡的開發者文件、專案路線圖或使用 Markdown 格式的指令檔案，讓 AI 在每次啟動時重新讀取當前專案的上下文。這種方式不僅成本更低，且能確保 AI 專注於當下的任務，而非被過去的瑣碎對話分心。

此外，關於遺忘曲線的觸發條件也引發了技術細節的爭論。有觀點認為，記憶的衰減不應僅基於現實世界的時鐘時間，而應基於 AI 的「使用壽命」或會話頻率，否則當開發者休假歸來時，AI 可能會遺忘重要的專案背景。同時，如何精準判斷哪些資訊值得存入記憶也是一大難題。如果讓 AI 自行總結並儲存，可能會產生冗餘或錯誤的記憶，而這些錯誤若因頻繁調用而被強化，將比遺忘更加危險。社群普遍達成的一項共識是，雖然全域記憶可能導致混亂，但針對特定工作流的局部記憶仍具備價值，關鍵在於如何實現更精細的漸進式資訊揭露，而非一股腦地將所有歷史資料塞入模型。

延伸閱讀

• LoCoMo：由 Snap Research 開發的長文本多模態對話基準測試數據集。
• Mem0：另一款常見的 AI 記憶層實現工具，常被拿來與 YourMemory 做效能對比。
• MCP (Model Context Protocol)：由 Anthropic 推出的開放標準，用於讓 AI 模型與外部工具及數據源安全接軌。