你的AI助手为何总是忘记你：4个根本原因（以及我们的解决方案）

**你的AI助手为何总是忘记你：4个根本原因（以及我们的解决方案）** 过去两年我们一直在构建AI记忆系统，如果说我们学到了什么，那就是：**当前的代理记忆系统从根本上就是有缺陷的。** 不是那种“需要更多功能”的缺陷，而是那种“我们解决错了问题”的缺陷。 **没有人提及的4个痛点：** 1. **记忆脆弱性** — 代理存储一切，却什么都不理解。将一百万封邮件倒入向量数据库，得到的只是……一大堆毫无用处的上下文。 2. **时间推理能力不足** — 问“我上周二做了什么？”，大多数系统就会崩溃。它们有数据，但缺乏对信息*何时*重要的感知。 3. **遗忘困境** — 这一点让人意外。*记住一切*实际上比遗忘更糟糕。上下文腐烂是真实存在的。但构建一个好的遗忘算法比构建存储*更难*。 4. **评估缺口** — 如何衡量你的记忆系统是否真的有效？大多数团队就是……无法做到。基准测试分散且不统一。 **我们的方法：借鉴代码代理的工作方式** 以下是我们意识到的关键——编码代理早已解决了这个问题。看看这个工作流： GitHub Issue → PR → Code Review → Git History → Test Verification → Status Update 每个动作都被追踪、版本化并可查询。上下文不会消失——它会*演化*。 因此我们借用了这种模式，并将其应用于个人AI： * **原始消息**（来自邮件、Slack、Notion等）→ **结构化记忆洞察** * 代理在执行**之前**读取记忆，在执行**之后**更新记忆 * 两个维度：**空间维度**（受赫布学习启发的关联连接）和**时间维度**（时间旅行查询） **空间维度：“同时激发的神经元会连接在一起”** 当你访问洞察A时，与其相关的洞察之间的连接会自动加强。长期未访问的连接会随时间衰减。 问“为什么这个客户卡住了？”系统不仅会找到当前项目——它还会*联想回忆*到3个月前的一个类似情况。 **时间维度：为你的记忆进行时间旅行** 这个很有趣。我们的时间旅行API可以让你查询记忆在*任意时间点*的存在状态。 “我在2024年第三季度的优先事项是什么？”“我们在1月到3月之间做了哪些决定？”“显示2月底的项目状态” 不是摘要。而是那个时刻的实际上下文快照。 **遗忘引擎：学会放手** 我们构建了一个三级系统（短期 → 中期 → 长期记忆），配有一个评分公式，综合考虑了时效性、访问频率、重要性以及是否被你收藏。 一条6个月前随意的客户问候？很可能会被删除。一条3个月前关键决策？被保留并加强。 目标不是存储更久，而是存储*更聪明*。 **基准测试结果** 我们在 **LoCoMo** 上达到了 **96.3%**，在 **LongMemEval-S** 上达到了 **97.6%**，基本达到了当前最优水平。但真正的数字是：**CL-bench（上下文学习基准）上的35%**。那才是我们需要努力的方向。 上下文学习——即将存储的上下文应用于新场景的能力——才是真正的难题。我们正在努力改进我们的基准测试，并希望了解您实际的记忆场景和痛点。欢迎讨论。