动机

当前RAG与GraphRAG系统依赖查询与存储的语义相似度进行回溯式检索，难以捕捉用户历史中语义距离较远但对长期目标至关重要的隐式记忆，导致长程个性化任务表现不佳。人类记忆则利用前瞻（prospection）——想象未来场景以触发回忆——来克服这一局限。该工作受此启发，旨在为对话助手引入前瞻性检索能力，弥合“回溯瓶颈”。

方法关键点

• 前瞻引导检索（PGR）：一种独立于存储架构的检索策略，通过迭代的“模拟未来→检索记忆→优化轨迹”循环运作。
  • 阶段一（初始前瞻）：基于查询生成CoT或ToT的未来行动序列，每一步作为子查询检索记忆，捕获语义远但逻辑相关的信息。
  • 阶段二（个性化前瞻）：利用已检索的事实修订前瞻树，使其贴合用户具体约束，再次检索，直至新发现记忆低于阈值。
• 记忆存储：支持向量库、知识图谱等任意后端，实现解耦；实验中采用事实抽取、更新和定期合并的流水线。
• 基准数据集MemoryQuest：多会话、多任务基准，强制≤0.3的查询-参考余弦相似度，每个查询需3-5个散落在长日志中的事实，专为评测前瞻性检索设计。

关键实验

• 在MemoryQuest（535查询）、ImplexConv（196查询）和PersonaMem（894查询）上对比GraphRAG、TaciTree和Mem0g。
• MemoryQuest上PGR-TOT召回率达0.723，是强基线Mem0g（0.256）的近3倍；完全匹配召回率从0.015提升至0.326。
• LLM-as-a-judge的响应胜率88.7%–98.4%，人工评估同样显著偏好（60–95%），证实前瞻性生成质量。
• 消融显示迭代前瞻、前瞻摘要均对性能有贡献，树状探索略优于链式。

核心洞见

“PGR解耦了记忆的存储与检索，让AI像人一样用想象的未来作为线索去唤醒散落的过去，将静态回溯提升为主动的预见性智能。”