AI 编码 Agent 每轮会话都从零开始？用 YourMemory 的生物学遗忘曲线让记忆持久化

你有没有遇到过这种情况：在 Claude Code 里花了半天调试好的项目配置习惯，第二天打开 Cursor 写新功能时，Agent 又问你”你偏好用 tabs 还是 spaces”？每周都重新解释一遍自己的技术栈偏好，每次新会话都从零开始建立上下文——这种重复感让人心累。

市面上不乏 AI 记忆方案：Mem0、Zep、LangMem……但大多要么是云端黑盒、要么需要复杂的基础设施。今天介绍一个另辟蹊径的方案——YourMemory，它把艾宾浩斯遗忘曲线搬进了 AI Agent 的记忆系统，用”会自然遗忘”取代”无限堆积”，在多个权威基准上跑出了领先分数。

问题所在：AI 会话的”失忆症”

每个 AI 编码 Agent 会话都是一个独立的沙箱：

Session 1: "告诉我你的 Python 环境是 3.12，用 poetry 管理依赖"
Session 2: "你之前说过 Python 环境了吗？我再问你一遍"
Session 3: "偏好 tabs 还是 spaces？……好的我记下了"
Session 4: "（又是一次轮回）"

这不是 Agent 的错——它们生来就没有跨会话记忆。传统的解决方案（向量数据库 + RAG）要么需要自建全套检索管线，要么依赖云端 API 每次调用都花钱。更重要的是，它们缺少一个关键特性：遗忘。

人脑之所以高效，是因为该忘的会忘。错的项目结构信息、过时的环境配置、上次实验性尝试的失败记录——如果不加筛选地全量保留，反而成了检索阶段的噪音。

YourMemory 的设计哲学

YourMemory 把它的记忆系统建立在一个经典认知心理学模型上：艾宾浩斯遗忘曲线。核心公式很简单：

strength = clamp(importance × e^(−λ × active_days) × (1 + recall_count × 0.2), 0, 1)

关键参数：

• importance（重要性）：越重要的信息衰减越慢，用户可以在存储时自定义
• active_days（活跃天数）：只计算你实际使用 AI 的日子——休假不会导致记忆丢失
• recall_count（回忆次数）：每次被回顾都会增强记忆强度

强度低于 0.05 的记忆会被自动修剪。这意味着你三个月前的一次临时环境变量实验，不会被召回到今天的编码会话中——除非它被反复引用过。

四类记忆，四种衰减速度

YourMemory 把记忆按类别分层，每类有不同的”半衰期”：

策略类记忆残留最久——你三个月前决定的”微服务用 gRPC 通信”应该比”昨天临时装的 debug 包”活得更久。

安装与配置：一条命令起步

YourMemory 的安装流程极其简洁。不需要 Docker Compose 或数据库初始化：

pip install yourmemory
yourmemory-register 
yourmemory-setup

yourmemory-setup 会自动做三件事：

1. 拉取本地 embedding 模型（默认 qwen2.5:7b，通过 Ollama 管理，约 4.7 GB）
2. 创建默认的 DuckDB 向量数据库（零配置）或可选的 PostgreSQL + pgvector
3. 在 ~/.cursor/rules/memory.mdc 等配置文件中注入记忆工具的自动调用规则

激活流程

访问 yourmemoryai.xyz 输入邮箱，验证 6 位验证码后获得 token。注意：YourMemory 并非完全开源——它采用 CC BY-NC 4.0 许可证，个人使用、教育和学术研究免费，但商业用途需要单独授权。

三个 MCP 工具：记忆的 CRUD

YourMemory 通过 MCP（Model Context Protocol）暴露三个工具，AI 编码 Agent 可以在需要时自动调用：

store_memory — 存储新知识

store_memory(
    "Sachit prefers tabs over spaces in Python",
    importance=0.9,
    category="fact",
    context_paths=["/projects/backend"]
)

存储时会做主体感知去重：如果新内容与已有记忆指向同一实体（比如都关于”Sachit 的 Python 偏好”），不会重复存储，而是更新强度。如果主体不同（”Sachit 用 DuckDB” vs “YourMemory 用 DuckDB”），则分别存储。

recall_memory — 召回相关记忆

recall_memory("Python formatting", current_path="/projects/backend")

召回分两轮：第一轮用余弦相似度 + BM25 混合检索，返回 top-k 候选；第二轮走实体图 BFS 扩展，把词汇不同但语义相关（通过共享实体连接）的记忆也拉进来。

空间上下文（current_path）还会触发 +0.08 的空间加成——当你在 /projects/backend 里写代码时，关于这个目录的记忆排在前面。

update_memory — 修正过时的记忆

当某个事实变化时（比如项目从 Poetry 换到了 uv），调用 update_memory 不仅更新内容，还会把旧版本写入审计日志，以便追溯。

零成本的离线查询

这是一个让我眼前一亮的功能：YourMemory 的 CLI 可以不调用任何 LLM API 就直接回答记忆中的问题：

yourmemory ask "what database does this project use"

yourmemory ask "how do I fix a kubernetes deployment"

当记忆强度足够时，回答零延迟、零 token 消耗、零云端传输。强度不够时，诚实地拒绝并让路给 Claude 等模型——不会为了好看而胡编乱造。

API 代理：透明的记忆注入

如果你的工作流不用 MCP（比如直接调用 OpenAI API），YourMemory 提供了一个 API 代理：

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:3033/proxy/openai"
)
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "What database do I use?"}]
)

代理在每次请求时：

1. 召回相关记忆注入到 system prompt
2. 把 store_memory 和 update_memory 添加为可用工具
3. 当模型调用记忆工具时在本地执行并返回结果

内存仪表盘

启动 MCP 服务器后，访问 http://localhost:3033/ui 就能看到一个完整的记忆浏览器：

• 统计栏：总记忆数、强记忆（≥50%）、正在消退的（5-50%）、即将修剪的（<10%）
• 按 Agent 分页查看各自记忆
• 过滤：按类别（fact / strategy / assumption / failure）、按强度、按最近访问时间

http://localhost:3033/graph 则是交互式的记忆关系图谱，用节点和边展示记忆之间的连接——非常适合一眼看出哪些上下文是孤立的、哪些是高频联系在一起的。

基准表现

YourMemory 在三个标准数据集上做了对比测试：

尤其值得关注的是 LoCoMo 的成绩——59% 的 Recall@5 直接翻倍了 Zep Cloud 的 28%。YourMemory 的秘密武器是混合检索：纯向量相似度 + BM25 关键词 + 实体图 BFS 的三重组合，让那些”词汇不同但语义连通”的记忆也能被正确召回。

适合谁来用？

• 多 Agent 用户：同时用 Claude Code、Cursor、Cline 的开发者，YourMemory 支持多 Agent 共享实例+权限隔离
• 对隐私敏感的用户：所有记忆处理本地完成，embedding 不走云端
• 团队协作场景：PostgreSQL + pgvector 后端可共享，每个成员有独立 api_key 和可见性控制
• 不想增加 API 开销的团队：离线查询和本地处理意味着 0 额外 LLM 成本

小结

YourMemory 用一个从认知科学借来的思路——遗忘曲线——重新思考了 AI Agent 应该怎样”记住”。不是无限堆叠、无差别存储，而是有优先级、有衰减、有自动修剪的生命周期记忆。对于每天在多个 AI 编码工具之间切换的开发者来说，装上这样一层”会自然遗忘”的记忆，能让 Agent 真正越用越顺手。

相关链接：

• GitHub 仓库
• 激活页面
• 技术博客：用艾宾浩斯遗忘曲线构建 AI 记忆
• LoCoMo 基准
• LongMemEval 基准