在 Memory 向量记忆程序3 中，如何从海量召回结果中挑选最有价值的数据？老实说，

1️⃣ 先别被“同主题堆积”吓到：MMR 去重 & 多样化

说到你可能会遇到。召回的前十条结果几乎都是“苹果手机”，后面才是“苹果公司”“苹果音乐”。怎么说呢，如果直接按相似度排序，使用者得往下翻才能看到不同视角。

MMR解决什么痛点？

• 保证相关性文档与查询的语义匹配程度。
• 多样性避免同一主题重复堆叠，让答案更丰富。

主要公式

MMR = λ · Sim – · max₍ⱼ∈S₎ Sim

. Sim：相似度

• 从常用来看，余弦相似度。怎么说呢，
• 公式这方面。Sim = /
• 至于其它方法，Jaccard、内积等。

. λ：权重旋钮

完整计算示例

• 查询 Q："苹果"
• 召回文档：A、B、C、D、E
• λ = 0.5
• S ：空 → {A} → {A。C} → {A,C,D}
• MMS 排序结果：A → C → D → B → E 对比纯相似度 A→B→E→C→D；MMR 更注重多样性，^*1*

*1* 多样化能让答案更全面、使用者体验更好。

Python 实现片段

import numpy as np
def mmr:
# 归一化
qn = query_vec / np.linalg.norm
dn = docs_vecs / np.linalg.norm
sim_qd = dn @ qn # 与查询的相似度
selected。unselected =,list))
for _ in range)):
best_idx = -1
best_score = -float
for i in unselected:
rel = lam * sim_qd
div = - * max
score = rel + div
if score> best_score:
best_score=score;不过，best_idx=i
selected.append;unselected.remove
return for i in selected]


2️⃣ 时间衰减：让最近的记忆更关键 👇 

你是否担心多年之前的知识被不必要地占据搜索结果？时间衰减可以帮你解决这个难题。怎么说呢，

指数衰减模型主要公式：

λ  =  ln/半衰期天数
权重 = e^



默认半衰期30天示例表格*



时间距离今天多少天？
衰减系数 
实际权重 % 

DAYS_AGE_20 
E^=~36%
 

DAYS_60 
E^=~9%





* 表格中省略了部分行，实际实现请按公式计算。

至于**规律**，每隔<半衰期>天权重降为原来的一半。若设半衰期为30天则每月约降至一半；
一年后约剩不到10%，这正符合人类遗忘曲线——新鲜事记忆清晰，久远事渐模糊。

TypeScript 示例代码片段：
function temporalDecay:number{
const lambda=Math.LN2/halfLifeDays;return Math.exp;}
const originalScore=0.85;const daysAgo=45;按理说，const decayFactor=temporalDecay;const finalScore=originalScore*decayFactor;按理说，console.log;// 输出 ~47%

为什么使用指数衰减？至于四大理由，


"符合遗忘规律"——人类记忆随时间呈指数式下降。

"平滑过渡"——不会出现突兀的权重跳变，让排名变化自然可预见。

"单参数易调"——只需调半衰期即可控制快慢，无需复杂阈值矩阵。

"数学性质优良"——半衰期翻倍代表着速度减半，便于直观理解与调参。🛠️ 调参小贴士：


<10 天 ：适合实时新闻、热点资讯；快速消退。 
\t\t\t\t\t
\t\t\t\t
\t\t
\

**OpenClaw 的完整时间机制**：



常青文件不参与衰减
如 MEMORY.md 等关键文件永远满分。



访问次数抵抗衰减
经常被引用的知识即使久未提及，也不会迅速变冷。



重新加热
冷却已久但突然被搜索到时会立即恢复高权重，好像复习过一样。




🔚 



步骤
对应痛点
关键技术




数据召回
数据量庞大、内容高度重复
MMR 去重 & 多样化


及时性筛选
长期信息占据前列
指数时间衰减 + 常青文件 + Reheat




通过上述两大技术组合，你可以让 Memory 向量记忆程序3 在面对海量召回时依旧保持：
- 高相关性使用者想要的信息在前列；- 高多样性覆盖不同视角，不再一次看到同类答案；- 时效优先最新、最活跃的信息拥有更高排位。

如果你正在建立或调整 RAG、推荐或搜索功能。只需把 MMR 与指数时间衰减嵌入你的召回流程，即可显著让使用者用起来更舒服与业务价值。