#Conversational Memory

3 篇

KITE: Retrieval as a Decision Procedure for Long-Term Conversational Memory

KITE：将检索构建为长期对话记忆的决策过程

🧭 Agent 长期记忆检索决策化

Memoket AI Research · Universität Stuttgart · Georgia Institute of Technology · Tsinghua University

KITE将长期对话记忆检索变成受控主题索引上的可检查决策过程，LoCoMo/LongMemEval-S准确率93.5%/86.0%，仅约1.6k tokens

📌 工作参考价值（3 点）

在电商客服/对话式推荐 Agent 里，长期记忆不要只依赖 embedding 相似度；可以维护一个受控的主题/商品/意图词汇表，把查询编译为显式检索计划，根据问题包含的时间、实体、主题条件去定位历史证据，提升可审计性。
对结构化主题索引遗漏的表面细节，用 BM25 等稀疏词法检索兜底，适合找回订单号、SKU、地址、优惠码等精确字符串，避免 embedding 模糊匹配丢失关键信息。
受控索引的动态扩展与合并可用于治理电商知识库和会话 topic；固定 lookup/ranking 执行路径可降低 LLM 调用成本，每题仅约 1.6k reader-context tokens，对高并发成本敏感的 Agent 场景有直接复用价值。

Agent | 2026-10-30 | cs.IR | score 7/10

Madeleine：用模拟生活轨迹学习对话记忆的联想召回

🧭 Agent 长期记忆 · 联想检索 ★ 深度解读

Nanyang Technological University

用 LLM 离线模拟生活轨迹训练 query 侧 LoRA，零 LLM 在线实现对话记忆联想召回，插入 HyperMem 后 LoCoMo-Plus 达 66.6

📌 工作参考价值（4 点）

把 LLM 重推理离线蒸馏进 query encoder：业务中的对话/用户记忆召回若依赖 LLM 改写、图谱构建或读取时推理，可改为离线用 LLM 生成“用户状态变化/偏好迁移”监督样本，训练轻量 query-side LoRA；在线只算一次向量，省掉数百到上千次 LLM 调用和大量上下文，适合高 QPS 的推荐/客服场景。
复用 frozen 向量库，即插即用：新分数 s(q,m)=cos(E(q),E(m))+cos(Eθ(q),E(m)) 等价于用单个 query 向量 E(q)+Eθ(q) 检索；不改记忆索引、不写入 LLM，迁移成本极低。可直接给现有向量召回的 query tower 加 residual adapter，保留内容相似度同时补学隐性关联，类似搜索/推荐 query 侧增强。
训练数据生成与负采样细节：用 LLM 模拟“生活轨迹”产生 cue-trigger 对，要求 trigger 不得提及或暗示 cue 主题；用 same-source negatives + near-duplicate masking，成本仅几美元/3万条。电商可模拟“用户长期状态→后续需求”或“偏好变化”生成训练对，绕过真实数据稀缺与标注困难。
不要对隐性关联用 cross-encoder reranker：论文中 reranker 反而显著掉点（52.4→40.9/31.9），因为 cue 与 trigger 表面不匹配、跨编码器按匹配度打分天然不利。关联性召回的关键应在召回层习得，而非精排层再判断语义匹配。

Agent | 2026-10-01 | cs.IR | score 8/10

记忆如何塑造对话智能体：评估不同记忆角色的影响

🧭 RAG对话系统 · 记忆角色评估

Dartmouth College · Microsoft

探究不同类型对话记忆对RAG智能体回复的多维影响，提出用户中心评估，证实澄清记忆提升事实准确性与约束意识，不相关记忆有害

📌 工作参考价值（4 点）

记忆角色分类与选择性注入：在电商导购/客服对话系统中，可对用户历史行为、偏好约束等记忆打上角色标签（澄清、约束、事实、不相关等），检索时优先注入澄清型和约束相关记忆，抑制不相关记忆，提升回复的准确性和个性化。
用户中心评估框架：参考本文模拟用户偏好的评估维度（事实准确性、话题相关性、约束意识等），替代单一参考指标，可更细粒度诊断推荐对话系统的回复质量，尤其适合评估个性化解释、导购话术的合理性。
记忆类型与响应行为联动：观察到不相关记忆降低约束意识，这提示我们在多轮推荐中，若记忆检索带入了用户无关历史（如已购品类），可能导致当前推荐脱离用户约束；可据此设计记忆过滤或加权机制。
前光线LLM下的记忆控制：即使能力强的大模型，记忆质量仍显著影响回复，因此工程上在RAG管线上增加记忆质量判别模块（如用轻量模型判断记忆相关性）是低成本提升效果的有效手段。

RAG | 2026-06-24 | cs.IR | score 6/10