聊天机器人最大的问题不是不会说话，是记不住。聊过的事过两天就忘，说过的偏好反复问，久了就很出戏。
人脑的记忆不是全存全取，而是会衰减。心理学里的遗忘曲线可以写成：
R = exp(-t / S)
其中 t 是距上次回忆的时间，S 是记忆强度。强度越大，忘得越慢。每次被用到，强度就涨一点——这就是"回忆巩固"。
这样设计的好处是：不常用的记忆自然下沉，重要的记忆靠反复使用留下来，不需要人工维护一张"要不要留"的清单。
一开始想上向量检索，后来发现对中文小规模记忆，BM25 + 分词已经够用，而且可解释：能明确看到是哪个词命中的。
具体做法：把每条记忆分词、建倒排索引，查询时算 BM25 分数，取前几条。中文分词用 jieba，注意自定义词典，否则专有名词会被切碎。
上下文有上限，不能把记忆全塞进去。现在的策略是：
加起来控制在几百字，不挤占对话空间。
作用域写错：记忆按会话 ID 存，ID 和实际会话对不上，结果就是"记了，但从不注入"。这个 bug 很隐蔽——写记忆的日志是正常的。
上下文膨胀：把模型自己的推理过程也存进历史，历史体积翻倍。后来限制了历史轮数才稳定。
垃圾进库：解析失败时如果不加校验，模型的残缺输出会被当成"记忆"写进库，污染长期数据。加一道质量门，宁可不记。
经验：记忆系统的难点不在存和取，在"信不信"——怎么保证写进去的是真的，取出来的是相关的。