为什么 AI Agent 的记忆需要衰减：AIOBR 可演化记忆协议实测

AI Agent 的长期记忆通常遵循一个简单逻辑：把对话、偏好和工具结果保存下来，需要时再通过搜索或向量检索召回。

但当记忆持续增长，系统会面对一个更困难的问题：六个月前的经验，今天还应该拥有多大影响力？

如果所有记忆永久等权保存，Agent 可能被过期偏好、旧版本操作和偶然错误持续影响。AIOBR 尝试把 Agent Memory 从“存储问题”改造成“状态演化问题”。

永久记忆的四个风险

过期经验继续参与决策

用户偏好、软件环境和业务规则都会变化。记录仍然存在，不代表它仍然适合当前世界。

错误记忆反复被召回

向量相似度只能说明内容相关，不能说明这条经验今天仍然正确。

上下文无限增长

保存越多，检索、排序和冲突处理成本越高。更大的上下文窗口只能推迟问题，不能自动解决记忆治理。

经验没有压缩成能力

保存一百次相似对话，不等于形成一个稳定策略。真正的长期学习需要从经历中提取可复用模式。

AIOBR 的核心：World Versioning

AIOBR 不只记录墙上时间，而是使用单调递增的 World Version 表示系统经历了多少次有效状态变化。

每条 Observation 可以拥有初始置信度、衰减函数和半衰期。随着 World Version 增长，系统重新计算当前置信度。

在 2026 年 7 月 12 日的真实 CLI 验证中：

Current worldVersion: 1217
aku:obs-001: 0.92 → 0.907334

记忆没有被删除，原始记录仍然可审计；变化的是它影响当前判断的权重。

用 Trajectory 保存过程，而不只是结果

AIOBR 把状态变化组织为轨迹：

State → Trigger → Transition → New State → Outcome

实测命令成功重放 aku:trajectory-story-001，worldVersion 从 1200 变化到 1207。每一步都能看到：

• trigger；
• transition type；
• confidence；
• state delta；
• transition 后的新状态。

这让 Agent 能够追溯“结果通过哪条路径产生”，而不只保存最终答案。

把重复轨迹压缩成 Skill

AIOBR 的 Compressor 从轨迹中提取 transition，聚类相似变化，再生成可复用 Skill。

本次运行：

8 transitions extracted
8 clusters formed
8 skills generated

这里需要保持证据边界：当前示例中各 cluster size 为 1，因此它证明压缩管线能够运行，但还不能证明已从大量真实轨迹中发现稳定模式。

Counterfactual：比较没有选择的路径

仅保存实际路径会带来幸存者偏差。AIOBR 的 Scorer 会比较实际决策与假设路径，并生成新的 Observation。

本次验证对 12 条真实轨迹和 2 条故事轨迹执行了 decision-step scoring。由此形成：

Observation
  → Trajectory
  → Skill
  → Counterfactual
  → New Observation

真实测试结果

验证环境：

• Python 3.11.9；
• Git revision 74e544c45771f869ac39696e4d26aa37fc6609a9；
• 78 项测试全部通过；
• 0 failed，0 skipped。

测试覆盖 Adapter、CLI、Collector、Compressor、Coordinator、Counterfactual Generation、Engine、Integration、Observer、Scorer 和 World 等模块。

这证明当前原型具有可复现工程基础，但不代表已经完成大规模生产验证。

与常见 Agent Memory 方案的关系

方案	主要解决的问题	AIOBR 增加的层次
对话历史	保存上下文	当前影响力与衰减
向量检索	找到相似内容	版本、轨迹和治理状态
知识图谱	表达实体关系	状态如何随 transition 变化
MCP	工具调用协议	知识如何衰减、压缩和演化

AIOBR 不是这些系统的简单替代品，更适合作为存储与 Agent 决策之间的记忆演化层。

当前限制

不同任务需要不同衰减速度。安全规则、用户承诺、财务和审计记录不能因为时间推移自动失效。

Skill Compression 可能丢掉低频但关键的例外。Counterfactual 的质量也受到评分函数限制。

因此真正的目标不是“让 AI 忘掉旧记忆”，而是区分：

• 可以衰减的偏好和环境经验；
• 必须长期保留的规则与承诺；
• 应该压缩为能力的重复轨迹；
• 需要保留用于审计、但不应继续支配决策的错误经验。

三分钟体验入口

• AIOBR 项目主页
• AIOBR GitHub 源码

分享记忆失败案例

欢迎通过 结构化 GitHub Issue 回答三个问题，帮助我们用真实案例验证协议：

1. 哪种记忆应该衰减？
2. 哪种记忆绝对不能衰减？
3. 你实际使用的 Agent 遇到过什么旧记忆污染？

提交前请移除密码、私密对话和个人敏感信息。