问题所在
我们的大脑不会平等地记住所有事情。
今天早上喝的咖啡？正在快速消退。婚礼那天？几十年后依然清晰。上个月头脑风暴中的突破性想法？因为你一直在基于它构建，所以仍然新鲜。
大脑会自然地分清轻重缓急。这不是缺陷：正因为会遗忘，记忆才能长期保持有用。
可大多数数字记忆系统对所有信息一视同仁。三年前做的决定和今天刚想通的洞察摆在一起，以同样的权重争夺你的注意力。
随便搜点东西，你就会被一堆轻重不分的结果淹没。
如果…
要是个人记忆系统也能像大脑这样工作，会怎么样？
最近用得多的知识自然冒到前面，旧的、用不上的安静退后。
你问一句「上个季度我们做了什么决定？」，拿回来的真就是上个季度那几条。
我们是如何做到的
我们研究了认知科学家如何建模人类记忆，特别是卡内基梅隆大学的 ACT-R 和 叶峻峣 的 FSRS，后者驱动着像 Anki 这样的现代间隔重复系统。
在这项研究的基础上，我们做了一个实用的记忆衰减模型：
-
时效性：最近用过的记忆得分更高。我们用大约 30 天半衰期的指数衰减，昨天的记忆排得比三个月前高得多。
-
频率强化：反复用到的记忆会变得更牢固。你的行为在告诉系统什么重要。
-
重要性兜底：真正要紧的基础知识不会彻底沉下去，哪怕一直没碰过。
-
反馈塑造相关性：借鉴 FSRS 追踪「是否记得」的思路，我们记录展示次数、点击和停留时间。点得多，说明这条确实有用；读得久，说明内容值得看。
Nowledge Mem 评分管道
这样一来，搜索更像回忆，而不像考古。真正相关的内容，会在你需要它的时候自己冒出来。
理解时间
相关性之外，还有一类难题：跟时间有关的查询。
比如这几种搜索：
- 「我们迁移数据库之前发生了什么？」
- 「去年第三季度的记忆」
- 「关于认证的最近洞察」
这些不是单纯的关键词搜索，问的是事情什么时候发生的。
棘手的地方在于，时间其实有两种。
一种是事件时间，也就是事情真正发生的时间。一条关于 2020 年某个决定的记忆，事件时间就是 2020 年。
另一种是记录时间，也就是你把它存下来的时间。今天你才记下那个 2020 年的决定，它的记录时间就是 2025 年。
所以「关于 2020 年那件事的最近记忆」是有讲究的：指的是你最近才存下来、内容关于 2020 年的东西。
Nowledge Mem 现在分得清这两者。你说「2020 年前后」或者「去年初」这种模糊的说法，它也能接住，给出靠谱的结果。
这意味着什么
-
噪音更少。旧的、没用过的记忆不会再挤占结果。需要的时候它们还在，但会给更新的知识让路。
-
相关性更好。一个查询命中好几条记忆时，你一直在用的那几条会排在前面。
-
搜索带上了时间感。「上个季度我们做了什么决定？」这类问题，现在真的问得了。
-
自己会归整。不用手动归档或删除，记忆会照着你实际怎么用，自行排好次序。
下一步
这只是整个系统里的一层，影响却铺到了方方面面。衰减模型更准、对时间理解得更细，搜索结果、agent 的回忆、每天早上的简报，都会更贴近知识在真实使用中变化的样子。
想看技术细节，可以读搜索与相关性文档，里面有评分系统的完整说明。