< 返回设计概览

6. 生命周期与嵌入

Mnemon 不是只增不减的系统。有效的记忆管理需要让重要的记忆持久保留，让过时的记忆自然衰减。

6.1 有效重要度（Effective Importance）

EI 综合基础重要度、访问频率、时间衰减和图连接度：

EI = base_weight(importance) × access_factor × decay_factor × edge_factor

base_weight:   imp 5 → 1.0,  4 → 0.8,  3 → 0.5,  2 → 0.3,  1 → 0.15
access_factor: max(1.0, log(1 + access_count))
decay_factor:  0.5 ^ (days_since_access / 30)     // 半衰期 30 天
edge_factor:   1.0 + 0.1 × min(edge_count, 5)     // 最多 +0.5

含义：

• 高重要度 → 基础分高
• 频繁访问 → 对数增长的加分
• 长期未访问 → 指数衰减（30 天减半）
• 图连接丰富 → 说明与其他知识相关，加分

6.2 免疫规则

以下 insight 不会被自动清理：

• importance ≥ 4（高价值记忆）
• access_count ≥ 3（频繁被检索）

6.3 自动剪枝（Auto-Prune）

当活跃 insight 总数超过 1000 时触发：

1. 计算所有 insight 的 EI
2. 排除免疫的 insight
3. 按 EI 升序取最低的（每批最多 10 条）
4. 软删除（设置 deleted_at）
5. 级联删除相关边

6.4 GC 命令

手动的生命周期管理工具：

# 查看低保留度候选
mnemon gc --threshold 0.5

# 保留某条 insight（增加 access_count +3）
mnemon gc --keep <id>

---

6.5 嵌入向量支持

嵌入向量是可选的增强功能。没有 embedding 时，Mnemon 完全基于关键词和图结构工作；有 embedding 时，语义检索能力大幅增强。

Ollama 集成

通过本地 Ollama 服务（无需外部 API）：

Mnemon ──HTTP──→ Ollama (localhost:11434)
                  └── nomic-embed-text
                      768 维向量

• 可用性检测：2 秒超时，避免阻塞
• 优雅降级：Ollama 不可用时自动切换到 token 重叠
• 零新依赖：纯 stdlib net/http

向量存储

向量序列化为 little-endian float64 的 BLOB 存储在 insights.embedding 列中（768 × 8 = 6144 bytes/insight）。

使用场景

场景	无 embedding	有 embedding
remember → 语义边	token 重叠 > 0.10	cos ≥ 0.80 自动链接
recall → 锚点	关键词 + 时间	关键词 + 向量 + 时间
recall → 遍历	纯结构分	结构 + 语义相似度
recall → 重排	KW + Entity + Graph	KW + Entity + Similarity + Graph

管理命令

ollama pull nomic-embed-text    # 安装模型
mnemon embed --status           # 查看覆盖率
mnemon embed --all              # 批量生成所有 insight 的 embedding
mnemon embed <id>               # 生成单条