arXiv cs.AI· Preeti Saraswat, Divya Neelagiri, Ajay Manoj·· 9 天前AI 评分24
Gated Memory：面向对话式 AI 的准入控制记忆形成框架
Gated Memory: Admission-Controlled Memory Formation for Conversational AI
AI 导读
Gated Memory 是一个轻量模块化记忆形成框架，在对话与存储之间加入两道决策检查点：准入闸门在抽取前结合完整话语上下文评估每个候选事实，条件化增强阶段则通过带隐私约束的实体范围分类体系对已准入事实进行落地。在 LoCoMo-10 基准上，该框架在检索与生成完全相同的情况下，LLM-judge 准确率相对强基线提升 2.6%，表明记忆形成质量是可测量的性能约束。
正文 · AI 翻译
摘要：个性化对话 AI 依赖于长期记忆系统，该系统从用户话语中提取事实并将其存储在持久向量存储中。尽管在检索、去重和生命周期管理方面取得了进展，但形成阶段——即事实首次写入存储的时刻——几乎没有得到有原则的关注。我们将其确定为生产系统中记忆质量的约束瓶颈。关键的上下文信号，例如永久用户属性与临时情境之间的区别，仅存在于原始话语中，并且在提取生成主语-关系-宾语三元组的那一刻就不可逆地丢失了。任何下游过程都无法恢复它们。我们提出 Gated Memory，一个轻量级、模块化的形成框架，在对话与存储之间插入两个决策检查点：一个准入闸门，在提取运行之前根据完整话语上下文评估每个候选事实；以及一个条件富化阶段，通过带有隐私约束的实体范围分类法对已准入事实进行接地。该闸门仅评估当前交流，同时将先前轮次用作只读参考上下文，并生成结构化形成记录。已准入内容被分解为原子事实，每个事实都被分类、标记来源（直接陈述与推断）、限定其适用条件，并接地于已解析的时间和地点，且受一项约束：不得断言上下文中不存在的任何实体。在话语数据具有非典型情绪密度的 LoCoMo-10 基准上，Gated Memory 在具有相同检索和生成的强基线上，在 LLM 评判准确率上实现了总体 +2.6% 的相对提升，确立了形成质量作为记忆性能的可测量约束。
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI）；信息检索（cs.IR）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.11270 [cs.CL] |
| （或 arXiv:2610.11270v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11270 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Preeti Saraswat [查看电子邮件]
[v1]
2026年10月8日星期四 05:27:02 UTC（363 KB）
来源：arXiv cs.AI · arxiv.org