---

问题

每天早晨，你的AI代理都像对待陌生人一样对待你。同样的上下文要重新解释。同样的偏好被遗忘。每次会话都从零开始。

大多数“记忆”工具只是将向量数据库附加到代理上，然后称之为完成——但这只是存储。它堆积着几乎重复的内容，直到检索被噪音淹没。一个容量更大的金鱼缸而已。

YourMemory不同：像大脑一样工作的记忆，而非数据库。

flowchart LR
    A["🧠 你告诉你的<br/>AI某些事情"] --> B["提取持久的<br/>事实"]
    B --> C["去重 + 嵌入<br/>+ 图链接"]
    C --> D[("记忆<br/>存储")]
    D -->|"相关事实堆积"| E["✨ 整合<br/>N → 1 摘要"]
    D -->|"陈旧 + 未使用"| F["📉 衰减<br/>+ 修剪"]
    D -->|"新会话"| G["♻️ 检索<br/>混合 + 图"]
    E --> D
    G --> H["🤖 你的代理<br/>从中断处<br/>继续"]
    style D fill:#0a2540,stroke:#19cdff,color:#fff
    style E fill:#0c2b3a,stroke:#5eead4,color:#fff
    style H fill:#0c2b3a,stroke:#19cdff,color:#fff

---

✨ 不同之处

	特性	作用
🧠	整合	当足够多的相关事实积累后，它们被压缩成一个清晰的摘要，原始内容被归档。记忆会随时间变得更精准，而不是膨胀。
📉	生物衰减	每条记忆都遵循艾宾浩斯遗忘曲线老化。陈旧、未使用的事实会消退；重要且被频繁回忆的则持续存在。
🔗	实体图	记忆通过共享的人、地点和概念相互链接——因此检索能发现你忘记询问的内容。
♻️	跨上下文重置生存	当上下文窗口压缩时，YourMemory能将工作上下文交还——无需重读文件来搞清楚你之前的位置。
🔒	防篡改审计追踪	每次读/写/删除都记录在哈希链账本中。更改一条记录，链条即断裂。
👥	团队记忆池	基于角色的共享记忆，使整个团队的代理都能利用同样的机构知识——同时私人记忆保持私有。
🛡️	内置数据权利	一键导出（访问权）和遗忘权（清除），以及符合 SOC 2 的控制措施。
🔌	MCP原生 & 本地优先	兼容 Claude、Cursor、Cline、Windsurf 或任何 MCP 客户端。完全在本地运行——无需API密钥，数据不离开你的系统。

一条命令即可安装。默认使用 DuckDB（零配置），团队可使用 Postgres + pgvector。

---

目录

• 🏆 基准测试
• 🚀 快速开始
• 🧠 记忆如何工作
  • 整合
  • 衰减
  • 混合检索
• 🔒 信任与审计追踪
• 👥 团队记忆池
• 🛡️ 数据权利与合规性
• 🎛️ 仪表板
• 🔧 MCP 工具
• ⚡ 无需LLM调用的询问
• 🔀 API代理 — 确保记忆
• 🏗️ 架构与技术栈
• 🩺 故障排除
• 🤝 贡献

---

🏆 基准测试

三个外部数据集。每个数字均可独立复现——基准测试代码位于仓库中。完整方法见BENCHMARKS.md。

LoCoMo-10 — 多会话对话记忆

xychart-beta
    title "Recall@5 · LoCoMo-10（越高越好）"
    x-axis ["Mem0", "Zep Cloud", "Supermemory", "YourMemory"]
    y-axis "Recall@5 百分比" 0 --> 70
    bar [18, 28, 31, 59]

比 Zep Cloud 高出 2 倍的召回率，覆盖全部 10 个样本。*Supermemory 和 Mem0 在基准测试过程中免费层级配额耗尽；分数基于全部 1,534 对计算。

LongMemEval-S — 500 个问题，每个约 53 个干扰会话

最难的长期记忆标准基准测试。每个问题被埋在约 53 个会话中。

指标	分数
Recall@5（任意黄金会话在前5）	89.4%
Recall-all@5（所有黄金会话在前5）	84.8%
nDCG@5（排名质量）	87.4%

HotpotQA — 200 个多跳问题

系统	BOTH_FOUND@5
YourMemory（向量 + BM25 + 实体图）	71.5%
YourMemory（无实体边）	59.5%

实体图边增加了 +12 个百分点——它们能够从事实1遍历到事实2，即使事实2与查询的嵌入相似度很低。

文章：我用艾宾浩斯遗忘曲线为AI代理构建了记忆衰减

---

🚀 快速开始

Python 3.11–3.14。无需Docker，无需设置数据库。所有记忆本地存储在 ~/.yourmemory/ 中。

pip install yourmemory
yourmemory-register <your-token>
yourmemory-setup

获取令牌： 访问 yourmemoryai.xyz → 输入邮箱 → 用6位验证码验证 → 复制你的令牌。

yourmemory-setup 会自动检测并配置 Claude Code、Claude Desktop、Cursor、Windsurf 和 Cline，然后询问你使用哪个后端：

• DuckDB — 零配置，单个本地文件 （默认）
• Postgres — 共享/生产环境；你需要提供 DATABASE_URL（需要 pgvector 扩展）

可选——更智能的本地提取： YourMemory 开箱即可使用内置启发式算法。为获得更高质量、完全本地的事实提取，请安装 Ollama，yourmemory-setup 会自动拉取模型（qwen2.5:7b，约4.7 GB）。更喜欢云端？设置 YOURMEMORY_EXTRACT_BACKEND=anthropic。

或从二进制安装——无需 Python

不想碰 pip？从最新发布获取你平台的独立二进制文件：

平台	文件
macOS（Apple Silicon）	yourmemory-macos-arm64.tar.gz
macOS（Intel）	yourmemory-macos-x86_64.tar.gz
Linux（x86-64）	yourmemory-linux-x86_64.tar.gz
Windows（x86-64）	yourmemory-windows-x86_64.exe.zip

# macOS / Linux — 下载、解压、运行
tar -xzf yourmemory-macos-arm64.tar.gz
./yourmemory-macos-arm64 register <your-token>
./yourmemory-macos-arm64 setup
./yourmemory-macos-arm64            # 启动服务器

一个可执行文件处理所有命令：register、setup、ask "<问题>"、path，以及（无参数时）启动服务器。

完全自包含且离线——二进制文件打包了 Python、每个依赖项，以及两个 ML 模型（嵌入模型 + spaCy）。首次运行时不会下载任何内容。代价是文件大小（约2 GB）。使用单条命令 ./build-binary.sh 自行构建，多平台发布二进制文件由构建工作流自动生成。

---

🧠 记忆如何工作

YourMemory 将记忆视为一个生命系统——它会生长、整合、遗忘并连接，就像大脑一样。

整合 — N → 1

大多数记忆工具只是不断增长。YourMemory 监视相关事实的聚类，一旦积累足够多，就将其压缩成一个清晰的摘要——原始内容被归档（永不删除，因此不会有任何丢失）。

flowchart LR
    subgraph before [相关事实堆积]
        A1["Railway 使用 Nixpacks"]
        A2["Railway 在 Pro 计划"]
        A3["Railway 环境变量保存<br/>Postgres URL"]
        A4["在 Railway 上部署<br/>使用 Postgres"]
    end
    before --> C{"聚类 +<br/>LLM 摘要"}
    C --> S["✨ 摘要<br/>在 Railway（Pro,<br/>Nixpacks）上部署，使用 Postgres<br/>通过环境变量"]
    C -.->|"已归档，可恢复"| ARC[("归档")]
    style S fill:#0a2540,stroke:#5eead4,color:#fff
    style C fill:#0c2b3a,stroke:#19cdff,color:#fff

一个生产存储的真实示例：444 条记忆 → 16 个摘要——同样的知识，噪音的极小部分。整合是事件驱动的（当相关记忆堆积时触发），而非盲目的夜间任务。

衰减 — 遗忘曲线

记忆强度呈指数衰减。重要性和回忆频率会减缓衰减：

effective_λ  = base_λ × (1 − importance × 0.8)
strength     = clamp(importance × e^(−effective_λ × active_days) × (1 + recall_count × 0.2), 0, 1)

active_days 仅计算你活跃的天数——假期不会导致记忆丢失。强度低于 0.05 的记忆会自动修剪。每个类别以不同的速率老化：

类别	半衰期	最适合
strategy	~38 天	有效的模式、架构决策
fact	~24 天	偏好、身份、稳定知识
assumption	~19 天	推断的上下文、不确定的信念
failure	~11 天	错误、错误的方法、特定于环境的故障

链感知修剪： 如果任何图邻居仍然强大，则已衰减的记忆会被保留——即使很少被直接查询，承载上下文的记忆也能幸存。

混合检索 — 向量 + BM25 + 图

检索分两轮进行，以便同时呈现你询问的内容以及你忘记询问的内容：

flowchart LR
    Q["查询"] --> R1["向量 + BM25<br/>混合搜索"]
    R1 --> R2["图扩展<br/>（你忘记询问的内容）"]
    R2 --> S["按相似度 × 强度<br/>排序"]
    S --> OUT["🎯 排序后的记忆"]
    style OUT fill:#0a2540,stroke:#19cdff,color:#fff

主语感知去重在每次存储前运行——它嵌入每个句子的主语，因此 "Sachit 使用 DuckDB" 和 "YourMemory 使用 DuckDB" 保持分离（不同实体），而 "YourMemory 使用 DuckDB" 和 "YourMemory 将数据存储在 DuckDB" 则合并（同一实体）。没有硬编码的词列表；适用于任何语言。

---

🔒 信任与审计追踪

企业不会让不透明的黑盒存储他们的数据。因此，每次操作——读、写、更新、删除、整合——都会被追加到一个哈希链、防篡改的审计日志中。