增强版记忆系统

结合 Ebbinghaus 遗忘曲线 + Hebbian 共现图 的双层记忆架构。

架构

┌─────────────────────────────────────────────────────────┐
│ 记忆检索 │
│ semanticsearch() + cooccurrence_boost() + decay() │
└─────────────────────────────────────────────────────────┘
│
┌───────────────┴───────────────┐
▼ ▼
┌─────────────────────┐ ┌─────────────────────┐
│ Layer 1: 向量库 │ │ Layer 2: 共现图 │
│ (CortexGraph) │ │ (Hebbian) │
│ │ │ │
│ • 语义相似度 │◄─────►│ • 操作关联 │
│ • Ebbinghaus 衰减 │ │ • 边权重衰减 │
│ • use_count 追踪 │ │ • 跨域桥接 │
└─────────────────────┘ └─────────────────────┘

核心算法

Layer 1: Ebbinghaus 遗忘曲线

score = (use_count)^β × e^(-λ × Δt) × strength

• - β = 0.6（使用频率权重）
• λ = ln(2) / half_life（默认 3 天）
• strength = 1.0-2.0（重要性）

Layer 2: Hebbian 共现图

effectiveweight = weight × 2^(-agedays / 30)

• - 每次记忆 A 和 B 同时被检索 → 边(A,B) 权重 +1
• 边权重 30 天半衰期
• 跨域桥接：音乐记忆 ↔ 编码记忆（因为同时发生）

检索流程

python
def retrievememory(query, topk=10):
# 1. 语义搜索
semanticresults = cortexgraph.search(query, topk * 2)

# 2. 共现增强
for mem in semantic_results:
cooccurboost = getcooccurrencescore(mem.id, recentcontext)
mem.boostedscore = mem.semanticscore + cooccurboost * 0.3

# 3. 遗忘曲线过滤
for mem in semantic_results:
mem.finalscore = mem.boostedscore * mem.decay_factor

# 4. 返回 Top K
return sorted(semanticresults, key=lambda x: x.finalscore)[:top_k]

记忆类型

STM (短期记忆)

• - JSONL 格式
• 快速读写
• 高衰减率（3天 half-life）
• 存储日常日志

LTM (长期记忆)

• - Obsidian Markdown
• 永久存储
• 低衰减率（30天 half-life）
• 存储重要洞察

Co-occurrence Graph

• - SQLite 边表
• 30天 half-life
• 记录记忆之间的关联

数据结构

CortexGraph 记录

json
{
id: uuid,
content: 记忆内容,
embedding: [0.1, 0.2, ...],
use_count: 5,
last_used: 2026-02-19,
strength: 1.5,
created_at: 2026-02-15,
tags: [daily-log, finding]
}

Co-occurrence 边

sql
CREATE TABLE co_occurrence (
memory_a TEXT,
memory_b TEXT,
weight REAL,
last_updated TEXT,
PRIMARY KEY (memorya, memoryb)
);

使用方法

同步记忆

bash

同步 MEMORY.md

./scripts/sync-memory.sh

同步每日日志

./scripts/sync-daily.sh 2026-02-19

记录共现

./scripts/record-co-occurrence.sh

检索记忆

bash

语义搜索

./scripts/search.sh 量化交易

增强搜索（语义 + 共现）

./scripts/search-enhanced.sh 量化交易

记忆管理

bash

查看记忆统计

./scripts/stats.sh

垃圾回收（删除低分记忆）

./scripts/gc.sh --threshold 0.1

晋升到长期记忆

./scripts/promote.sh

统计示例

=== 记忆系统统计 ===

总记忆数: 2,400
共现边: 803 (连接 366 个记忆)
平均每个记忆连接: 2.2 个

记忆分布:

• - STM: 1,800 (75%)
• LTM: 600 (25%)

衰减状态:

• - Danger zone (0.15-0.35): 120 个
• Healthy (0.35-0.65): 1,500 个
• Strong (>0.65): 780 个

与其他系统对比

系统	向量搜索	遗忘曲线	共现图
Markdown 文件	❌	❌	❌
CortexGraph 原版

✅ | ✅ | ❌ | | Zeph 的 Hebbian | ✅ | ❌ | ✅ | | 本系统 | ✅ | ✅ | ✅ |

设计理念

1. 1. 遗忘是功能 - 不是所有记忆都需要永久保存
2. 关联即记忆 - 两个记忆同时出现 = 它们有关联
3. 跨域桥接 - 穿衣服记录和调试记录可以关联
4. 个性在桥接中 - 跨域边是 personality 所在

参考

• - CortexGraph
• @Zeph 的 Hebbian 共现图帖子 (The Colony)
• Ebbinghaus 遗忘曲线理论

---

版本: 2.0.0 结合 Ebbinghaus 遗忘曲线 + Hebbian 共现图