MemoryBank 的遗忘曲线，论文和代码不太一样

Gary 在 5 月 3 日说自己压力大、睡不好，助手给了些建议；5 月 10 日，他问之前推荐过什么。MemoryBank 的表格把这次延迟查询和几个版本的回答放在一起，问的就是一件事：上周说过的话，今天还找不找得回来。这是合成的用户对话，不是真实用户的医疗咨询记录（论文 Table 1）。

记住画像，答不了“上次推荐了什么”

MemoryBank 存三类东西，回答时再检索相关记忆：

• 带时间的对话；
• 每日和全局的事件摘要；
• 用户画像。

Gary 问的是过去的建议，需要的是那次对话本身。只记成“这个人经常有压力”，听着像认识他，原问题还是答不上。

图源：论文 Figure 1，版权归原作者。图中摘要和画像是架构示例，没有展示每句概括怎样从原对话逐步生成。

论文的设计：越常用，忘得越慢

它另外加了一个遗忘设想。论文写的是 R = exp(-t / S)：时间 t 越长，保留程度越低；强度 S 越大，下降越慢。新记录强度为 1，每被召回一次强度加一，时间重新计起。

刚召回过的记忆 t 很小，保留程度接近 1，隔得越久才越往下掉；强度加一又让 S 变大，衰减再慢一层。按这个设计，常用到的事会留得更久。

论文自己对这条曲线也没打包票。§2.3 把它叫作“探索性的、高度简化”的记忆更新模型，只取了遗忘速率、时间衰减和间隔效应三条规则；式子之外没有任何常量，没说保留度低到多少算忘、t 用什么单位。引言把“有无遗忘机制都适用”列成第三条贡献，正文却没有一组关掉遗忘的对照实验。遗忘这件事，论文从头到尾没测过。

代码里的一行，把方向反了过来

读固定版本的 forget_memory.py，实际这一行是：

return math.exp(-t / 5*S)

Python 对这里的除法和乘法从左往右算，相当于 exp((-t / 5) * S)，5*S 并没有整体进分母。只看这一行，很容易顺着论文读成“强度越高越不容易忘”，代两个数进去就会发现方向相反。

区别在 S 的位置。论文里它在分母上，起稳定作用；这一行里它乘进了指数，成了衰减的倍率，t 为正时 S 越大，指数越负。这个方向和 t 取 5 无关，换任何正的 t 都一样。

表里只是公式计算值，不是实验跑出来的留存率。换个更贴近日常的尺度：第三方的 Agent Memory Atlas 审计算过，按这个表达式，S=1 的记忆隔一天还留约 82%，S=10 的只剩约 13.5%。召回一次强度加一，等于每记起一次就把它往遗忘推一步。第二行里，强度增加，保留概率反而下降。代码随后拿随机数和这个概率比较来决定遗忘，召回更新函数也确实会把强度加一、改写最后召回日期，所以这个差异会实际影响这份固定版本的行为。

论文没写的判定细节，代码里都有：t 是按 %Y-%m-%d 算出的天数差，遗忘只在加载记忆时（initial_load_forget_and_save）发生，判据是 random.random() > retention_probability；检索相关的常量有 VECTOR_SEARCH_TOP_K = 6。那个 5 也是论文里没有的实现选择。

不是一开始就写错的

翻提交历史更有意思。仓库首次提交 “upload code v0” 里这一行还是 return math.exp(-t / S)，和论文一致；2023 年 5 月 21 日那次 “update memory forgetting mechanism” 把旧的按日查表改成按 memory_strength 算概率加随机判定，式子也在这次变成了 -t / 5*S。之后 这个文件的提交记录 再没动过它，main 上至今是改后的版本。我上面钉的那个 SHA 其实只是一次 README 合并，读到的代码和今天 main 上一样。

同一个函数的文档字符串偏偏写着 “The higher the memory strength, the slower the rate of forgetting”。注释照着论文说，代码往反方向算，读的人顺着注释读错一点也不奇怪。上面那份审计也建议补一条方向性单测：断言 forgetting_curve(t, 10) > forgetting_curve(t, 1)。一行就能拦住。

评测把“找到”和“答对”分开算

定量评测用 15 名虚拟用户的十天对话、194 道探测问题，检索和回答分开打分，回答得分允许部分正确。英文条件下：

分开以后才看得出，记忆取回来了，是不是真被用对了。

把论文 Table 2（§4.2）的中英两组都摆出来，名次对不上更明显：

ChatGPT 的检索得分在两种语言里都是三者最低，回答得分却在英文组最高；BELLE 检索最好，回答一般。取回来的东西多不多，和最后答得好不好，不是一回事。

后来的考卷上，MemoryBank 接近垫底

论文那套 15 人、十天、194 题的评测后来没人沿用。今天这类系统的公共考卷是 LoCoMo，它在摘要里就说此前工作只评到不超过五段对话。Mem0 的 Table 1 把 MemoryBank 拉上去重测，单跳、多跳、开放域、时序四类的 F1 是 5.00、5.56、6.61、9.68；MemoryOS 也拿它做对照，直接写 “MemoryBank performs the worst”，效率表（Table 3）里它只召回 432 个 token、调 3.0 次模型。省是省，但几乎答不上。这些都是别人复现的数字，不是作者跑的。

还有个小插曲，毛病和本文说的一样：同一组四对数字，在 Mem0 和 MemoryOS 两张表里挂的列名不一样，“9.68”在一张表里算时序，另一张算多跳。转引 MemoryBank 在 LoCoMo 上的成绩，最好按表头逐列核对。

遗忘曲线这条路也没成共识。MemoryOS 改用“热度”在记忆层之间搬运和淘汰，访问次数、交互长度、时间各占一项，并下结论说只靠衰减管不好对话记忆；A-MEM 干脆不做遗忘，改成卡片式链接和记忆演化；Zep 用时序知识图谱，旧事实被新事实推翻时给边打上失效时间，而不是删掉。一篇 2026 年的诊断研究把“写什么”和“怎么取”拆开对照，结论是失败多出在检索那一侧，零 LLM 调用的原始分块不输昂贵的抽取式写入。MemoryBank 花心思的更新与遗忘，恰好在影响较小的那一侧。

我会把公式和代码并排留着。两边都叫记忆强度，同样加一，表里却往相反方向变。复用这个版本之前，先把这个表达式处理掉，顺手补上那条单测；如果只是想要一个长期记忆模块，我会先看检索做得好不好，遗忘曲线排在后面。