Claude用户花3个月造了个记忆层，结果比RAG聪明47%

三个AI工具，三个失忆症患者。

作者每天用Claude Code、Cursor、Codex写代码。跟Claude说"我后端用Python"，三回话后它推荐TypeScript。在Cursor搭好的项目结构，切到Codex修个bug——对面一脸茫然。每个工具都有自己的记忆小黑屋，互相不串门。

他试过向量库+RAG。几百条记录后，两年前的偏好因为措辞匹配度高，压过了昨天刚说的话。检索系统对时间毫无概念。

然后他开始读1885年的心理学论文。

一个德国人用 nonsense 音节算出了遗忘公式

Hermann Ebbinghaus，德国心理学家，花了数年背诵"DAX""BUP""ZOL"这类无意义音节，测试遗忘速度。结果成为心理学史上被复现最多的发现之一：遗忘曲线。

核心发现：记忆衰减是指数级，不是线性。你忘得最快的是前几天，剩下的一点慢慢消失。但关键在这里——每次回忆都会让衰减变慢。常翻的记忆变牢固，从不碰的彻底消失。

公式长这样：R = e^(-t/S)。R是记忆留存率，t是时间，S是记忆强度。Anki这类间隔重复软件用的就是同一套数学。

作者意识到：三个月前随口提的偏好，权重应该低于昨天 reinforced 的内容。高频访问的上下文要坚挺，老旧的 trivia 该悄悄退场。

他把这套搬进了 AI 记忆系统。

Smara：给记忆加半衰期

他造了 Smara，一个记忆 API。语义向量搜索 + Ebbinghaus 衰减评分。每条记忆有个0到1的重要性分数，查询时重要性会缩放记忆强度——重要的衰减慢，琐碎的消失快。

检索分数混合语义相关性和时间衰减。语义搜索占主导，但 recency 能打破平局。昨天中等相关的记忆，可以压过三个月前高度相关的内容。

系统还追踪访问模式。每次被检索，记忆就被强化。没人问的记忆自动淡出。具体权重调了很久，但原则简单：相关性 × 新鲜度 × 强化次数。

整个 API 只有三个调用：存记忆、查记忆、删记忆。存的时候带上 user_id、fact、importance。查的时候返回按衰减公式排序的结果。

为什么 RAG 会输给 140 年前的心理学

传统 RAG 的问题不是技术落后，是模型错了。向量相似度假设所有记忆生而平等，但人脑从不这样工作。你不会把三年前某次闲聊和昨天确认的需求放在同一优先级。

Ebbinghaus 曲线的妙处在于：它用数学模拟了"用进废退"。不需要手动清理记忆库，不需要设定过期时间，访问频率自然塑造记忆结构。

作者没提具体准确率数字，但描述了一个典型场景：以前向量库会翻出两年前"可能相关"的偏好，现在 Smara 让昨天的 reinforced 记忆胜出。

这套机制对多工具场景尤其关键。Claude、Cursor、Codex 共用同一个 Smara 后端，终于能记住你是谁。

如果 OpenAI、Anthropic、Cursor 各自做自己的记忆层，用户还是得当复读机。但一个第三方记忆协议，会不会成为 AI 时代的"浏览器 cookie"？