基本信息

  • 中文题名:MemoryBank:增强大语言模型的长期记忆
  • 作者:Wanjun Zhong 等
  • 年份与来源:2023;arXiv(正式发表信息未逐项核验)
  • 主题:long-term-memory、forgetting、personalization

一句话定位

面向长期陪伴对话,把用户信息和交互经历写入可更新记忆,并用遗忘曲线控制保留与回忆。

研究问题与动机

长期对话中的信息会不断累积,全部保存会造成噪声,全部依赖当前窗口又会丢失个性化线索。本文关注记忆更新、选择性遗忘和个性化回复之间的平衡。

方法与机制

  • 记忆对象:对话历史中可复用的用户事实和经历。
  • 生命周期:写入、更新、召回和按重要性/时间衰减的遗忘。
  • 利用:把相关长期记忆注入当前对话生成。
  • RSI 关系:属于记忆适应和个性化,不等同于能力或程序的递归自我改进。

证据与结果

摘要支持长期陪伴和模拟对话场景中的定性改进。具体数据集、人工评价和遗忘策略消融需核对论文版本,不能仅凭摘要报告数字。

局限与开放问题

  • 遗忘曲线是否符合真实任务价值,仍需跨用户和跨任务评测。
  • 用户偏好、敏感信息和错误记忆的更正机制需要显式安全约束。
  • 主要是对话个性化,和工具使用、规划或代码 agent 的迁移关系尚不清楚。

关联与拓展

核验清单

  • [x] arXiv 元数据与摘要已核验
  • [ ] 遗忘算法与评测协议
  • [ ] 隐私和错误记忆处理细节