时间衰减检索：让RAG偏爱新鲜内容

可视化演示

动态演示时间衰减检索的核心机制，通过源头/管道/节点/终端四种模式展示关键概念与交互流程。

时序衰减概述

回到杂货铺的比喻。你第一次意识到“该理货了”，是在顾客抱怨“怎么给我推荐了一瓶过期的牛奶？”之后。你翻查记录，发现知识库（货架）里确实有今天的新品，但算法的排序逻辑（你的理货习惯）只盯着“顾客问什么”，完全没管“货是什么时候进的”。于是新老文档的分数一样高，老库存反倒因为积累了更多“好评”（旧文档引用多、链接多）而排在新品前面。

这就是时间衰减检索要解决的核心矛盾：相关性告诉系统“顾客要什么”，时效性告诉系统“现在什么最值钱”。两者缺一不可。传统的BM25、向量相似度都只解决了前者——它们像只看口味不看保质期的服务员。

时间衰减检索的思路简单但有效：给每个文档计算一个“时间折扣因子”，新文档折扣接近 1（不打折），旧文档折扣逐渐小于 1（打折）。然后用这个折扣因子去调整原有的相关性分数。折扣怎么打？两种最经典的方式：指数衰减（按固定百分比逐期降价）和对数衰减（越降越慢，永远留一点底价）。前者像生鲜食品——过了保质期价值断崖式下跌；后者像经典书籍——历久弥新，时间只会让它稍微褪色。

指数衰减原理

假设你的杂货铺定了一条规矩：每过一天，牛奶的“推荐权重”乘以 0.8。第一天权重大约 0.8，第二天 0.64，第三天 0.51，第十天只剩下 0.1 左右。这种“每天打固定折扣”的方式，数学上就是指数衰减。

指数衰减的函数形式为：

其中 t 是文档年龄（通常以天为单位），λ（lambda）是衰减率——控制折扣速度的旋钮。λ 越大，曲线掉得越狠。当 λ 取 0.1 时，30 天后的文档权重约为 $e^{-3} \approx 0.05$，几乎在检索中隐退。

指数衰减最显著的特征是衰减率恒定：无论是新文档还是旧文档，每多一天年龄，权重都乘以相同的比例因子 $e^{-\lambda}$。这在数学上叫“无记忆性”——系统不关心文档已经多大了，只关心“又老了一天”，就打同样的折扣。对新闻资讯、市场行情这类强时效场景，这很好用：昨天的新闻价值大减，上周的新闻基本没人关心，指数衰减恰好模拟了这种“热门话题快速冷却”的规律。

对数衰减原理

现在换一间书店。老板的理货逻辑是：新书当然要放显眼位置，但三年前的书只要是好书，照样有人找。他不会让一本书因为“老了点”就被彻底遗忘。这种“越老越不着急降权”的曲线，对应的是对数衰减。

对数衰减的函数形式为：

其中 α 是调节下降幅度的系数，t 是文档年龄（天）。注意当 t = 0 时权重为 1（新文档不打折），t 增大时权重缓慢下降，但下降速度越来越慢。这正是对数函数的特性：前期陡一些，后期趋于平缓，永远不会降到 0。

对比指数衰减，对数衰减对旧文档温柔得多。假设 α 取 0.1，一个 100 天前的文档权重约 $1 - 0.1 \times \ln 101 \approx 0.54$——仍然有一半以上的权重。而对指数衰减（λ = 0.05），同样 100 天前的文档权重只剩 $e^{-5} \approx 0.007$，基本忽略不计。这种温和的衰减方式适合政策法规、学术论文、经典教程等场景——2020 年的疫情指南可能过时了，但 2018 年的基础会计学教材依然有效。

衰减权重调参

杂货铺老板最头疼的问题：牛奶打几折合适？折扣打太狠，滞销品永远卖不掉；打太轻，货架又被旧货占满。时间衰减检索里的“折扣力度”由两个关键参数控制：半衰期（$T_{1/2}$）和衰减系数（λ 或 α）。

半衰期是核物理借来的概念，指权重降到初始值一半所需的时间。它的公式是：

如果设半衰期为 7 天，意味着 7 天后文档权重是原来的 50%，14 天后是 25%——非常适合新闻场景。如果设半衰期为 30 天，则衰减平缓得多，适合政策库。设定半衰期比直接设定 λ 更直观：你不需要理解指数函数的细节，只需要说“我希望多少天后这则新闻不再有优势”。

实操中，衰减系数 λ 的经验取值范围是 0.01~0.5。做新闻推荐，λ 取 0.1 左右；做企业知识库（文档更新不频繁），λ 取 0.01~0.03。α（对数衰减）则通常在 0.01~0.2 之间。还有两个调参原则：一是从业务反推——问业务方“一周前的新闻还重要吗”，确定半衰期再用公式换算 λ；二是A/B 测试验证——在真实检索中对比不同 λ 下的用户满意度或点击率。

相关性融合

现在你同时有两个分数：相关性得分（比如 BM25 或向量相似度）和时间折扣系数。怎么把它们合在一起？这是时间衰减检索的“最后一公里”。

最常用的方法是乘法融合：

乘法直观且自然：相关性分数高的文档，乘以接近 1 的时间权重，保持优势；相关性中等但很新的文档，时间权重高，可以逆袭上位；相关性很高但很旧的文档，时间权重低，被压下去。乘法融合有一个好处——它自动化了“新鲜 vs 相关”的权衡：足够新的文档可以在相关性较低时胜出，足够相关的文档可以在较旧时仍然保留。

另一种是加权融合（加法模型）：

这里 β 是权重参数（0 到 1 之间），控制相关性和时效性的相对重要性。β = 0.8 表示相关性占八成、时效性占两成。加法模型更灵活，但需要额外调一个参数 β，并且对两个分数的归一化有更高要求——如果相关性分数范围是 0~30，而时间分数是 0~1，直接相加等于没加。因此需要先做归一化：

工程实现方式

理论说完了，怎么在真实 RAG 系统里落地？这就像理货员的工作分配——有人负责收货时贴标签（入库阶段），有人负责上架时摆位置（检索阶段），有人负责定期盘点（重排阶段）。时间衰减检索可以在三个环节插入：

方案一：检索前过滤。在向量检索或关键词检索之前，先按文档时间字段过滤掉过老的文档。例如加一个 SQL 条件 WHERE pub_time > now() - interval '90 days'。这是最省算力的方式，相当于直接把过期牛奶扔出仓库。缺点是太粗暴——如果用户问的是“去年的年终总结”，你直接过滤掉就没法答了。所以过滤条件通常放宽，只过滤绝对过期的（比如 5 年前的新闻）。

方案二：检索中动态加权。这是最优雅的方式。在向量检索时，不直接过滤，而是在计算相似度后叠加时间折扣：

实现上可以在索引文档时把 pub_time 作为元数据存起来，检索时用当前时间减去发布时间得到年龄，再乘上折扣因子。对向量数据库，通常需要自定义打分函数或用 post-filter 实现。

方案三：重排序阶段调整。先用标准检索召回 Top 50 文档，然后重排时把时间折扣乘进去：

重排序的优点是灵活——召回用纯相关性保证“不要漏”，重排用时间因子保证“最相关且最新优先”。这也是 LangChain、LlamaIndex 这些框架里最常插入自定义逻辑的位置。

回到杂货铺。你现在是一位既懂理货又懂数据算法的店主：你在入库时给每件商品贴上时间戳，在上架时按“相关×新鲜”综合排序，在盘点时把过期货直接清仓。顾客问你“最近有什么好喝的牛奶”，你不再拿出去年囤货，而是把今天刚到的鲜奶放在最前面——这就是时间衰减检索的完整闭环。

AI 应用场景

Python 演示

import mathimport timefrom datetime import datetime, timedelta  def parse_time(s):    return datetime.strptime(s, "%Y-%m-%d").timestamp()  def calc_age_days(pub_time, now_ts):    """    计算文档年龄（天）    """    return max(0.0, (now_ts - parse_time(pub_time)) / 86400.0)  def exp_decay_weight(age_days, half_life_days):    """    指数衰减：半衰期 half_life_days 天后权重降为 50%    """    lam = math.log(2) / half_life_days    return math.exp(-lam * age_days)  def log_decay_weight(age_days, alpha=0.05):    """    对数衰减：缓慢降低权重，永不归零    """    return max(0.0, 1.0 - alpha * math.log(1.0 + age_days))  def calc_time_score(pub_time, now_ts, decay_type="exp", half_life=7, alpha=0.05):    """    计算时间折扣因子    """    age = calc_age_days(pub_time, now_ts)    if decay_type == "exp":        return exp_decay_weight(age, half_life)    elif decay_type == "log":        return log_decay_weight(age, alpha)    else:        raise ValueError("decay_type 只支持 exp 或 log")  def combine_scores(rel_scores, time_weights, beta=0.8):    """    加权融合：beta 控制相关性权重，1-beta 控制时间权重    """    return [beta * r + (1 - beta) * t for r, t in zip(rel_scores, time_weights)]  def rerank_by_time(docs, rel_scores, now_ts=None, decay_type="exp", half_life=7, alpha=0.05):    """    重排序：把时间折扣乘到相关性得分上，重新排序    """    if now_ts is None:        now_ts = time.time()    weighted = []    for doc, rel in zip(docs, rel_scores):        tw = calc_time_score(doc["pub_date"], now_ts, decay_type, half_life, alpha)        weighted.append((doc["title"], rel, tw, rel * tw))    weighted.sort(key=lambda x: x[3], reverse=True)    return weighted  if __name__ == "__main__":    docs = [        {"title": "最新AI芯片发布", "pub_date": "2025-06-10"},        {"title": "AI芯片市场分析", "pub_date": "2025-03-15"},        {"title": "深度学习入门教程", "pub_date": "2024-11-20"},        {"title": "五年前AI芯片回顾", "pub_date": "2020-01-05"},    ]    rel_scores = [0.6, 0.85, 0.52, 0.78]    result = rerank_by_time(docs, rel_scores, decay_type="exp", half_life=7)    print("原始排序: ", [d["title"] for d in docs])    print("重排结果:")    for title, rel, tw, final in result:        print(f"  {title}: rel={rel:.2f}, time_w={tw:.2f}, final={final:.2f}")

1. return max(0.0, (now_ts - parse_time(pub_time)) / 86400.0)年龄为负时取 0，防止因时区误差导致的负数时间
2. lam = math.log(2) / half_life_days从半衰期反推衰减系数，这是指数衰减的核心换算
3. math.exp(-lam * age_days)指数衰减的核心公式，年龄越大权重越小
4. return max(0.0, 1.0 - alpha * math.log(1.0 + age_days))对数衰减，加 1 防止 log(0) 报错
5. [beta * r + (1 - beta) * t for ...]加权融合公式，β 调节相关性和时效性的配比
6. weighted.sort(key=lambda x: x[3], reverse=True)按融合后的最终分数从高到低排序

常见误区

面试题