动机

当前语言模型系统在跨会话时基本无状态，缺乏对用户长期情感、行为与偏好的持续理解。RAG和微调仅解决了领域知识或事实回忆问题，并未实现纵向的用户适应。系统常给出通用回复，而非针对特定个人校准的回应。这一问题在需要重复交互的推荐、教育、健康助手等场景中尤为突出。

方法关键点

• 双记忆库：图数据库(Neo4j)维护用户事实的关系与时间演化，向量数据库(Qdrant)实现情感-语义双索引检索，模拟心境一致性记忆。
• 情感融合：将语音情感信号(如有)与文本情感信号融合为统一情感状态，含类别与强度轨迹。
• 意图推理：独立于情感，判断用户当前意图需求(如倾听、验证、规划、发泄)，基于认知评价理论。
• 响应策略生成：根据情感强度与意图动态调节回复密度、结构顺序与安全触发，匹配用户的认知负荷。
• 运行时上下文组装：结合检索到的记忆、情感状态与意图，构建动态上下文对象送入基础模型生成回复。

关键实验

使用单一用户画像(有15条种子记忆)和GPT-4o模拟用户，构造30个非脚本对话，覆盖6类情绪场景(含极端情绪、只需倾听等对抗性场景)。A/B对照实验：条件A为无记忆、无情感情报和意图推理的基线；条件B为完全启用EASM。同一底层模型，裁判模型(LM-as-Judge)盲评5个维度(情感验证、计划清晰与现实主义、语气、安全与重复、记忆接地)。

• 全局胜率：EASM在全部30个场景中被判为胜出，最低置信度0.85。
• 关键提升：记忆接地提升95%(2.22→4.33)，计划清晰度提升57%(2.90→4.57)，情感验证提升34%(3.48→4.65)，安全与重复提升42%，语气提升34%。
• 对抗场景：在“只需倾听”类别中，基线平均3.04，EASM平均4.32，系统性回避了不当建议。

核心洞察

情感索引记忆与意图推理不是对话系统的附加功能，而是实现“系统真正了解用户”的基础设施层。从认知心理学(心境一致性记忆、状态依赖性学习、认知评价、认知负荷)直接映射到架构组件，为构建长期个性化AI提供了可复制的路径。