📰 来源: 博客园
第一篇：PowerMem 记忆系统的遗忘设计，从神经元到代码工程
上一篇 PowerMem 记忆系统的遗忘设计，从神经元到代码工程 从认知科学的角度聊了遗忘机制，包括突触可塑性、艾宾浩斯遗忘曲线、间隔重复和理想的困难。都是一些很有意思的认知学理论。
这一篇换个视角。不聊理论了，以一条消息的流转路径为线索，跟踪它在 PowerMem 中从写入到淘汰的完整生命周期。看看一路上，遗忘这个设计是怎么工作的。
一、重要性评估：这条信息值得记住吗？
假设发了这么一条消息：
下周五下午三点和产品团队在 3 号会议室评审 Q2 需求文档。
这条消息进入记忆系统后，第一个问题不是「怎么记住」，而是「值不值得记住」。
简单说，如果所有信息都以相同的权重被存储和检索，随着数据量增长，系统会面临两个问题：检索信噪比持续下降，存储成本不可控。
香农信息论解释了这件事。高概率事件的信息量趋近于零，不值得长期存储。低概率但关键事件的信息量极大，必须持久化保留。
重要性评估就是干这件事的信息过滤器。 它为每条信息打一个分数，这个分数决定后续的衰减速度、复习频率和淘汰优先级。
1.1 六维度评估模型
PowerMem 评估一条信息的重要性，比想象中复杂。它使用了一个六维评估模型，从六个维度进行综合评估、加权汇总：
拿前面举例的会议消息来说。它与「Q2 的工作」高度相关（relevance ≈ 0.8），包含明确的时间地点（factual ≈ 0.8），用户必须参加不能错过（actionable ≈ 0.9），但情感上中性（emotional_impact ≈ 0.2）。加权计算出的重要性分数大致如下：
0.3×0.8 + 0.2×0.5 + 0.15×0.2 + 0.15×0.9 + 0.1×0.8 + 0.1×0.6 ≈ 0.72
1.2 双路径评估：LLM 与规则引擎
基于这个评估模型 PowerMem 设计了两条评估执行路径。核心目的只有一个：确保系统在任何情况下都能给出评分。
路径一：LLM 深度评估（优先）
当 LLM 可用时，系统要求 LLM 根据六维度评估模型从六个维度分别分析，返回结构化 JSON。比如：
{
"importance_score": 0.72,
"reasoning": "会议安排对用户具有明确的时间约束和行动要求",
"criteria_scores": {
"relevance": 0.8,
"novelty": 0.5,
"emotional_impact": 0.2,
"actionable": 0.9,
"factual": 0.8,
"personal": 0.6
}
}
PowerMem 从 LLM 回复的结构化 JSON 中提取 importance_score 字段拿到分数。这里用了一个三级回退的方式来确保即使 LLM 返回格式不规范，系统也不会崩。首先尝试 JSON 解析，解析失败了就用正则表达式匹配数字，再失败则返回保底的默认值 0.5。
值得注意的是，LLM 返回的结构化 JSON 中的六维数据实际上并未直接参与最后权重的计算。它只是通过 Chain-of-Thought / 结构化分解来辅助 LLM 推理，让最终答案更可靠稳定。
路径二：规则引擎（兜底）
当 LLM 不可用时，规则引擎接管重要性分数的计算。精度会有所下降，但能保证系统不挂。它基于一组可量化的信号累加分数：
? 或 !：各 +0.05规则引擎精度不如 LLM，但确保了系统在 LLM 不可用时仍能正常运行。这种优雅降级（graceful degradation）设计是生产级系统的重要特征。说白了，不会因为一个外部服务的故障，就导致整个记忆系统停摆。
重要性分数确定了，下一步是分类。分类决定信息属于哪一层的记忆。
上一篇聊过大脑的记忆分层机制，即信息先进入容量有限的海马体（短期存储），经过记忆巩固后转移至新皮层（长期存储）。只有那些被反复激活的、与已有知识建立了丰富关联的、或伴随强烈情绪体验的信息，才能获得优先转移权。
PowerMem 把这个过程翻译为三层模型：
分类逻辑以重要性分数为依据。≥ 0.8 进入 long_term，≥ 0.6 进入 short_term，其余归入 working。不同层级的衰减速率不同，层级越高衰减越慢，信息活得越久。
if score >= self._algo.long_term_threshold: # 0.8
return "long_term"
if score >= self._algo.short_term_threshold: # 0.6
return "short_term"
return "working"
前面算出来的会议信息 importance = 0.72，命中了 ≥ 0.6 但不到 0.8。所以落入 short_term（短期记忆）。
2.2 遗忘参数初始化
分类只回答了「这条信息该待在哪一层」。更具体的问题是：初始强度是多少？忘得有多快？什么时候该再复习一遍？
PowerMem 在分类完成后，会为每条记忆生成一整套可随生命周期演进的数值档案。除了正文内容之外，系统还会为这条记忆建立一份元数据卡片，用来记录强度、衰减参数、复习计划和管理状态等。
下面逐一说明每个参数的设计意图和计算方式。还是以会议信息为例（importance = 0.72，short_term）。
2.2.1 初始保留率
同样一句「下周开会」，随口一提和被标记为必须参加的关键日程，在形成瞬间的牢固程度完全不同。信息进入记忆时被加工得越深（有没有理解、有没有跟已有知识关联、有没有行动意图），形成的记忆就越牢固。
所以在 PowerMem 中很自然地，越重要的信息在写入时就被赋予越高的初始保留率。同样以会议消息为例，初始保留率为：
initial_retention = self.initial_retention * importance_score
# 会议示例：1.0 × 0.72 = 0.72
importance_score 是前面算出来的重要性参数，self.initial_retention 是全局配置参数，默认 1.0。
实际上会写入两个字段：
initial_retention 字段，用于记录创建时的快照（当初记得有多牢）current_retention 字段，用于跟踪当前的有效保留水平创建时两者数值相同，之后 current
🔗 原文链接: 点击阅读原文
文章评论