Decay System（衰减系统）
记忆曲线、类型特定 λ 与 tier 分级——知识如何随时间衰减。
知识随时间衰减，衰减率由类型决定。
记忆曲线
score = importance × e^(-λ × days_old) + 0.5 × ln(1 + access_count) + pin_bonus
Active 页面获得 ×1.2 乘数。Dropped/archived → 0.0。
- importance — 页面的重要性（0.0-1.0），人工设定
- e^(-λ × days_old) — 时间衰减，λ 越大衰减越快
- ln(1 + access_count) — 访问增强，被访问越多分数越高
- pin_bonus — 固定页面加成（默认 0.5）
类型特定衰减（λ）
| 类型 | λ | 行为 |
|---|---|---|
| concept | 0.0 | 不衰减 — 概念是永恒的 |
| strategy | 0.014 | 最快衰减 — 策略最容易过时 |
| anti-pattern | 0.010 | 中等衰减 — 教训保鲜期长 |
| unknown | 0.030 | 快速衰减（fallback） |
Concept 不衰减是因为 “什么是 REST API” 这类知识不会过时。Strategy 衰减最快（λ=0.014）是因为 “用微服务拆分单体” 这类策略最容易随技术环境变化而过时。Anti-pattern 衰减较慢（λ=0.010）是因为 “不要用 var 声明变量” 这类教训的保鲜期更长——踩过的坑在很长时间内仍然值得警惕。
Tier 分级
| Tier | Score | 行为 |
|---|---|---|
| hot | ≥ 0.7 | 优先召回 |
| warm | ≥ 0.4 | 正常召回 |
| cold | ≥ 0.15 | 低优先级 |
| evictable | < 0.15 | 归档候选 |
分数越高的页面在召回时排序越靠前。Evictable 级别的页面是归档候选 — 系统会在下一次 oks distill 时考虑将其标记为 status: dropped。
生命周期
Provisional → Active（access_count ≥ 3）→ Dropped（score < threshold）
- Provisional — 新创建的页面，尚未被足够访问
- Active — 被访问 3 次以上，成为正式知识
- Dropped — 分数低于归档阈值，被标记为 dropped
访问增强
每次页面被显式使用时（oks wiki use <slug>；召回/搜索只读、不计数），confidence 提升：
new_confidence = min(1.0, current + 0.1 × (1 - current))
这意味着被频繁查询的知识会越来越”自信” — confidence 逐渐趋近 1.0 但永远不会达到。这是对有用知识的正反馈：越常被使用，越不容易被遗忘。
配置
衰减参数是 cli/knowledge_studio/store.py 里的代码默认值，可通过 ~/.oks/config.json 的 decay 段覆盖（不存在独立的 yaml 配置文件）：
{ "decay": { "archive_threshold": 0.3, "pin_bonus": 0.5 } }
- archive_threshold — 低于此分数的页面成为归档候选
- pin_bonus — Pinned 页面获得的额外分数
源码：cli/knowledge_studio/store.py（DECAY_LAMBDA + 默认 config）
下一步
- 知识库指标：
avg_score如何进入四维报告卡 - 召回引擎：记忆曲线如何作为第六因子影响召回
- Dreaming 循环：衰减在演化循环中的位置
- 架构设计：认知桶结构