信息提取损耗

概述

AI 记忆系统在提取关键信息时丢失上下文、推理链和讨论细节的现象。当 AI 决定"记什么"时，被丢弃的信息往往比被保留的信息更有价值。

关键内容

• 典型场景：用户与 AI 讨论两小时，最终决定用 GraphQL 而非 REST，理由包括三个前端痛点、N+1 问题讨论、DataLoader 解决方案。Mem0 仅提取"用户偏好 GraphQL"
• 丢失的内容：三个痛点细节、两小时讨论过程、权衡分析、DataLoader 决策推理——这些恰恰是下次问"为什么我们用 GraphQL"时最需要的
• 根本原因：让 AI 来决定该记什么。AI 倾向于提取结论性事实，丢弃推理过程
• 影响：当用户追问决策原因时，AI 无法还原当时的完整推理链，只能给出扁平化的结论
• 解决方案：原文逐字存储策略 — 完整存储原文，通过语义检索找到最相关片段，而非依赖预提取的摘要
• 与上下文腐烂的关系：信息提取损耗是主动的、写入时的信息丢失；上下文腐烂是被动的、随时间推移的上下文质量下降。两者共同导致 AI 记忆失效

来源

• raw/articles/ai-tools/mempalace/mempalace_01_overview.md — MemPalace 系列总览篇

相关

• Mem0 — caused
• Zep — caused
• 原文逐字存储 — contradicts
• 上下文腐烂 — extends