企业官网建设流程全解析

Mnemosyne 记忆召回原理揭秘：向量+全文+重要性混合检索打分公式深度拆解

【免费下载链接】mnemosyneZero-cloud AI memory that works everywhere. SQLite-backed. One pure-Python dependency.项目地址: https://gitcode.com/gh_mirrors/mnemosyne5/mnemosyne

Mnemosyne是一个零云端、纯 SQLite 支撑的 AI 记忆系统：一条pip install，一个数据库文件，即可为任意 Agent 提供长期记忆。本文带你深入它的召回引擎，拆解 Mnemosyne 混合检索如何把向量相似度、全文检索（FTS5）和重要性分数融合成一个最终得分，让最相关的记忆浮出水面。不需要任何机器学习背景，跟着公式走一遍即可 💡。

一、先搞清楚：Mnemosyne 的记忆存在哪里？

在拆解打分公式前，先建立整体画面。Mnemosyne 把记忆分成两个"舱室"：

当调用recall("用户偏好")时，入口是 mnemosyne/core/memory.py 中的recall()方法，它会把请求转发给底层引擎。真正的打分逻辑全部集中在 mnemosyne/core/beam.py 的recall()函数里——这就是本文的主角。

二、混合检索的三大信号源：为什么一个都不少？

Mnemosyne 的打分不是单一相似度，而是三路信号加权融合：

• 🔢向量相似度（vec）：用嵌入模型把查询和记忆都变成向量，算余弦相似度。擅长"意思相近但用词不同"，比如查"深色模式"能召回 "prefers dark interface"。
• 🔤全文检索（FTS5）：SQLite 原生的倒排索引关键词匹配。擅长精确词命中，比如查 "SQLite" 就一定找得到。
• ⭐重要性（importance）：记忆写入时自带的 0~1 重要性分数。高重要性记忆天然更容易胜出。

三者默认权重是(0.5, 0.3, 0.2)，定义在 beam.py 第 2378 行：

_DEFAULT_RECALL_WEIGHTS = (0.5, 0.3, 0.2) # vec, fts, importance

为什么不全押向量？纯向量检索对专有名词、代码标识符这类"必须一字不差"的查询容易翻车；纯关键词又抓不住语义。三路融合是召回精度和泛化能力的平衡点。

三、情景记忆的打分公式逐项拆解

情景记忆是混合检索的主战场。对每条候选记忆，Mnemosyne 依次执行以下步骤（源码见 beam.py 第 9277-9376 行）：

1. 三权重基础分（核心公式）

base_score = sim × vec_weight + fts × fts_weight + importance × importance_weight

三个权重会自动归一化到总和为 1.0（见 beam.py 第 2434-2449 行），所以你调任意一个，系统都会保证三者占比合理。

2. 准入门槛：防止"沾边"内容混入

if 词法相关性 < 最低阈值 且 sim < 0.62: 跳过该候选

FTS 命中只能证明"沾过一个词"，Mnemosyne 要求要么词法覆盖足够、要么向量相似度突破 0.62 准入门槛（EM_VEC_ADMIT，见 beam.py 第 897 行）才有资格进入结果集。这是精度的一道守门员。

3. 新鲜度衰减：记忆也会"过期"

score = max(base_score, lexical × 0.8) × (0.7 + 0.3 × decay)

其中decay是指数衰减函数（见 beam.py 第 2610-2622 行）：

decay = e^(-年龄小时数 / 半衰期)

默认半衰期168 小时（一周）：新记忆 decay≈1.0，一周后≈0.5，一个月后≈0.1。注意公式用的是0.7 + 0.3 × decay而不是纯乘法——再老的基础相关性也保底 70%，老而重要的记忆不会被彻底埋没。

4. 图谱与事实加成：结构化信号锦上添花

• 图谱加成graph_bonus：记忆关联的知识图谱边越多越相关，min(边数 × 0.02, 0.08)，上限 0.08；
• 事实加成fact_bonus：记忆抽取出的三元组事实与查询词命中越多越好，min(命中数 × 0.04, 0.1)，上限 0.1；
• 二进制向量加成binary_bonus：轻量级二值向量再校验一次语义方向。

5. 时序加权（可选）

查询"上周的事"时，可对靠近目标时间点的记忆做软加成：

score ×= (1 + temporal_weight × e^(-|时间差| / 24h))

目标时刻的记忆加成最大（boost=1.0），每过一个 24 小时半衰期加成衰减到 36.8%（见 beam.py 第 2679-2688 行）。

6. 可靠性折价：不是所有记忆都值得同样信任

排序前还会乘以两个修正系数：

• 降级层级权重：巩固层级越深（Tier 1/2/3）记忆质量越高，权重从TIER1_WEIGHT递减（见 beam.py 第 393 行）；
• 真实性乘数：stated（用户亲述）>tool>inferred（推断）>unknown，推断类记忆自动降权。

最后所有候选按得分降序排列，跨舱室摘要去重后返回 Top-K。

四、工作记忆的打分公式：关键词主导，向量辅助

工作记忆（本会话热点）走另一套配方（见 beam.py 第 8803-8822 行）：

base = 相关性 × (1-重要性权重) × 0.6 + 重要性 × 重要性权重 + 相关性² × 0.08 若 向量相似度 > 0: base = base × 0.80 + 向量相似度 × 0.20 score = base × (新鲜度份额 + (1-新鲜度份额) × 新鲜度衰减)

对比情景记忆可以读出设计意图：工作记忆关键词占 60%、新鲜度占 40%，向量相似度只占 20% 的"辅助票"——刚说过的事要快、准；情景记忆则向量权重拉满到 0.5，更看重语义泛化。

五、权重从哪来？三级覆盖 + 意图自适应

Mnemosyne 的权重解析优先级是（见 beam.py 第 2412-2431 行）：

1. 调用参数：recall(query, vec_weight=..., fts_weight=...)显式传参，最高优先；
2. config.yaml 配置 / 环境变量：MNEMOSYNE_VEC_WEIGHT、MNEMOSYNE_FTS_WEIGHT、MNEMOSYNE_IMPORTANCE_WEIGHT；
3. 默认值：0.5 / 0.3 / 0.2。

更巧妙的是查询意图自适应（MNEMOSYNE_QUERY_INTENT=1开启）：系统先分类查询意图，比如"最近状态类"查询自动加大新鲜度和精确词权重，"偏好事实类"查询则更依赖向量相似度——同一个公式，不同的题目用不同的系数。

六、进阶：多声部召回（Polyphonic Recall）

如果开启MNEMOSYNE_POLYPHONIC_RECALL=1，Mnemosyne 会切换到 mnemosyne/core/polyphonic_recall.py 中的四声部引擎：向量、图谱、事实、时序四路并行检索，用RRF（k=60）排名融合后再做多样性重排。可以理解为"四个评委各投一票，取综合名次"，每条结果都附带voice_scores字段，让你看清每个信号各贡献了多少分。

七、想亲眼看看打分过程？

Mnemosyne 内置可观测性设计，两个实用入口：

• explain 模式：recall(query, explain=True)会返回完整打分轨迹，包括每个阶段（wm_primary / em_primary / em_fallback）的候选数与保留数；
• 召回诊断：mnemosyne/core/recall_diagnostics.py 持续记录各"档位"命中统计与降级率，帮你在自己的数据上判断哪路信号在发力。

八、一句话总结

Mnemosyne 的召回精髓浓缩成一句话：三权重基础分（向量 0.5 + 全文 0.3 + 重要性 0.2）→ 新鲜度指数衰减保底 70% → 图谱/事实结构化加成 → 可靠性折价 → 全局排序。每一层公式都有明确的防御目标——防语义幻觉、防关键词误伤、防老旧噪音、防低质推断。所有权重都可通过配置微调，这套打分体系也支撑着它在 BEAM（ICLR 2026）基准上的表现，详见 docs/beam-benchmark.md 与 docs/architecture.md。

📌 想动手验证？装好pip install "mnemosyne-memory[all]"后，打开 explain 模式跑一次召回，对着本文的公式逐项核对voice_scores，你会发现每条记忆的分数都"有迹可循"。

【免费下载链接】mnemosyneZero-cloud AI memory that works everywhere. SQLite-backed. One pure-Python dependency.项目地址: https://gitcode.com/gh_mirrors/mnemosyne5/mnemosyne