企业官网建设流程全解析

LangChain 时间加权检索：让"最近的事"更容易被想起

人的记忆有个特点：刚发生的事记得最清楚，越久远越模糊。
但向量检索是"一视同仁"的——三年前的文档和昨天的文档，
只要语义相近就一样容易被召回。

有些场景这是错的。这篇讲TimeWeightedVectorStoreRetriever怎么用、
它的公式是什么意思，以及哪些场景真的需要它。

一、什么场景需要时间加权

判断标准很简单：“更近的是不是更重要”。

二、核心公式

score = 语义相似度 + 时间权重 时间权重 = decay_rate ^ hours_passed

展开一点：

最终分数 = (1 - 时间因素权重) × 语义分 + 时间因素权重 × recency_score recency_score = exp(-decay_rate × hours_passed)

其中hours_passed是"这条内容被访问/创建到现在过了多少小时"。

2.1 decay_rate 怎么理解

decay_rate控制衰减有多快：

半衰期 ≈ ln(2) / decay_rate 小时。

选值经验：

• 对话记忆（几分钟到几小时）：0.05 ~ 0.1，让旧对话快速淡出；
• 新闻/公告（以天计）：0.005 ~ 0.01；
• 企业文档（以月计）：0.0005 ~ 0.001。

三、上手

fromlangchain_community.vectorstoresimportFAISS# 或其他fromlangchain.retrieversimportTimeWeightedVectorStoreRetrieverfromlangchain_openaiimportOpenAIEmbeddingsfromlangchain_core.documentsimportDocumentimportdatetime embeddings=OpenAIEmbeddings()vectorstore=FAISS.from_texts(["初始文本"],embeddings)retriever=TimeWeightedVectorStoreRetriever(vectorstore=vectorstore,decay_rate=0.01,# 衰减速率k=4,# 返回条数other_score_keys=["importance"],# 可选的额外打分维度)# 添加带时间的文档docs=[Document(page_content="用户说他叫小明",metadata={"last_accessed_at":datetime.datetime.now(),"created_at":datetime.datetime.now()},),Document(page_content="用户喜欢喝咖啡",metadata={"last_accessed_at":datetime.datetime.now()-datetime.timedelta(days=3),"created_at":datetime.datetime.now()-datetime.timedelta(days=3)},),]retriever.add_documents(docs)results=retriever.invoke("用户叫什么")

四、两个必须设置的 metadata 字段

这个 retriever依赖两个时间字段，缺了会报错：

last_accessed_at会在文档被检索到时自动更新——
这就是关键设计：被反复想起的记忆会"保鲜"，
像人一样，经常回忆的事不容易忘。

# 内部行为（简化）defget_relevant_documents(query):docs=vectorstore.similarity_search(query,k=self.k*10)fordindocs:# 被命中就刷新访问时间d.metadata["last_accessed_at"]=datetime.now()# 按时间加权重排...

五、importance：给重要记忆加权

除了时间，还可以给每条记忆一个"重要度"：

retriever=TimeWeightedVectorStoreRetriever(vectorstore=vectorstore,decay_rate=0.01,k=4,other_score_keys=["importance"],)retriever.add_documents([Document(page_content="用户说他叫小明",metadata={"last_accessed_at":datetime.datetime.now(),"created_at":datetime.datetime.now(),"importance":0.9,# 名字很重要},),Document(page_content="用户提到今天天气不错",metadata={"last_accessed_at":datetime.datetime.now(),"created_at":datetime.datetime.now(),"importance":0.1,# 闲聊不重要},),])

最终分数 = 语义 × (1-w) + 时间 × w + importance 加成。

典型用法：

六、实战：给 Agent 做长期记忆

这是它最典型的应用场景。

importdatetimefromlangchain.retrieversimportTimeWeightedVectorStoreRetrieverfromlangchain_community.vectorstoresimportFAISSfromlangchain_openaiimportOpenAIEmbeddings,ChatOpenAIfromlangchain_core.documentsimportDocument embeddings=OpenAIEmbeddings()vs=FAISS.from_texts(["记忆库初始化"],embeddings)memory=TimeWeightedVectorStoreRetriever(vectorstore=vs,decay_rate=0.05,k=5,other_score_keys=["importance"],)defremember(content:str,importance:float=0.5):now=datetime.datetime.now()memory.add_documents([Document(page_content=content,metadata={"created_at":now,"last_accessed_at":now,"importance":importance},)])defrecall(question:str)->str:docs=memory.invoke(question)return"\n".join(d.page_contentfordindocs)# 对话中remember("用户叫小明，是一名后端工程师",importance=0.9)remember("用户在做一个 RAG 项目",importance=0.7)remember("用户说今天有点累",importance=0.2)# 几轮之后print(recall("用户是做什么的？"))# → "用户在做一个 RAG 项目"（近期 + 重要度中等，排前面）

相比ConversationBufferMemory（全量保留历史）的优势：

• 上下文不会无限增长；
• 只召回和当前问题相关的记忆；
• 旧的、不重要的记忆会自然淡出。

七、和普通检索的对比

# 同样的文档，一个是一年前的，一个是昨天的old=Document("项目用 PostgreSQL",metadata={...一年前...})new=Document("项目改用 MySQL 了",metadata={...昨天...})# 普通检索：问"项目用什么数据库"# → 可能两条都召回，甚至先召回 PostgreSQL（语义更接近"数据库"）# 时间加权：问"项目用什么数据库"# → MySQL 排前面（更新）

注意：它不会把旧文档过滤掉，只是降权。
如果你要的是"只要最新的版本"，
那应该用 metadata 过滤（version == latest），
而不是时间加权——别用错了工具。

八、常见坑

最后一个坑很容易中：FAISS.from_texts(["初始文本"])里的
"初始文本"会一直留在库里。建议初始化后清掉，
或者用第一条真实记忆来初始化。

九、什么时候别用它

它不是必需品。大部分 RAG 场景用普通向量检索 + metadata 过滤就够了。
只有"记忆"类场景（对话记忆、新闻流）才真正需要它。

十、小结

• 时间加权解决"越近越重要"的排序需求，
  公式：语义分 + 时间权重，时间权重按decay_rate ^ hours衰减；
• decay_rate：对话记忆 0.05~0.1，新闻 0.005~0.01，企业文档 0.0005~0.001；
• metadata 必须带created_at和last_accessed_at，
  后者会在命中时自动刷新（常被想起的记忆更"保鲜"）；
• 可选的importance字段让重要记忆不被时间冲淡；
• 典型场景：Agent 长期记忆（替代全量历史，避免上下文膨胀）；
• ⚠️它只降权不过滤，要"只要最新版"请用 metadata 过滤。

下一篇讲元数据过滤与多租户隔离——生产环境怎么保证 A 公司看不到 B 公司的数据。