助手替 Alice 选电影，哪些信息算记忆

Alice 想下班后看电影。助手记得她通常晚上九点看，先问时间合不合适；得到确认后，取来她的想看列表，里面有《星际穿越》等几部。它还记得 Alice 晚上不看恐怖片，于是选了《星际穿越》，再问她喜不喜欢。

这是 2024 年 Agent Memory Survey 自带的假设案例。例子很小，正好能把几种容易混在一起的信息分开。

原文的片单其实有三部：Interstellar、Planet Terror 和 Candle in the Tomb（鬼吹灯）。后两部是恐怖片。助手说“Alice 晚上从不看恐怖片”，把它们挑掉，旧记忆起作用的那一下，在例子里看得清清楚楚。

三种信息，不是同一次取得的

• 刚取回的片单，是这次交互拿到的；
• 晚上的观影习惯，来自过去的记录；
• Alice 这次说“喜欢”，是可以写入的新消息。

它们都影响推荐，来路却不同。只问“助手有没有长期记忆”，看不到中间做了什么。它可能存了全部聊天，却没取出不看恐怖片的偏好；也可能读到了偏好，整理时又删了适用范围。前一种出在读取，后一种出在管理，要改的地方不同。

图源：论文 Figure 4，版权归原作者。左上电影例子按正文应为晚上九点，图中写成上午九点；本文按正文说明。

“她今晚喜欢”怎么变成了“她喜欢”

论文把记忆操作分成写入、管理、读取三类。放到这个例子上：

• 写入：存下 Alice 这次的确认；
• 读取：找到当前选择需要的片单与偏好；
• 管理：夹在中间，可能合并记录、反思或遗忘。

原文把这次交互整理成“Alice 喜欢晚间看科幻片”，已经从一次对话变成了更概括的描述。读取那一步，论文也写得很收敛：只在第 2 步取回的想看列表里挑一部，不另外生成新选项。

管理在论文 §5.3.2 里有三个子动作：反思出更高层的记忆、合并冗余条目、遗忘不重要的早期记忆。“喜欢晚间看科幻片”这种概括，对应的是反思。

读到这里，我想给那条偏好留一个原文入口。一次说喜欢《星际穿越》，并没有回答她是否喜欢所有科幻片、是否每晚都愿意看。这个概括拿来说明管理操作很直观，真用来推荐，我还是想知道它来自几次选择。哪天 Alice 说今晚想看喜剧，也应该能直接更新安排，不必先和一条写得过于笃定的偏好较劲。

遗忘几乎没人做

管理是这几步里最少人认真做的。综述表 3 统计了 28 个系统的记忆操作，遗忘那一列只有 MemoryBank、TiM、Generative Agents、RecAgent、S3 五个打了勾，其余要么没有专门设计，要么论文根本没讨论。

一年多后，主流实现对“新信息和旧记忆冲突怎么办”还是给出了相反的默认：

实现	新旧冲突时	出处
Mem0 论文	LLM 在 ADD / UPDATE / DELETE / NOOP 里选一个	Mem0 论文
Mem0 文档的 add	只加不覆盖，可设过期时间让旧记忆从检索里消失	Mem0 文档
LangMem	让新信息和旧信念协调，删除、作废或合并旧记忆	LangMem 概念指南
Letta	主 agent 不能改核心记忆，交给后台的 sleep-time agent 异步整理	Letta 博客

Alice 说“今天例外”，该覆盖那条偏好、加一条新记录，还是什么都不动，这几种实现会给出不同答案。Letta 的做法最接近我想要的分工：管理变成一次离线的第二轮对话，记忆用 git 版本化（Letta 文档），哪次改了什么能翻出来。

这张片单，我倾向存文本

存完整对话好回查，存短事实便于检索，两种可以一起用。两边各有代价，论文 §5.2.1 都列了：存完整交互，注意力计算随长度平方增长，超出上下文还得截断丢信息；只留近期记忆，远处的关键信息取不回来；检索不准，又会带回无关内容。

综述还讨论参数形式的记忆，比如微调与知识编辑。这种记忆的改动落在一次训练或编辑上，改完不容易指出来自哪次对话。原因在机制上：论文 §5.3.3 说参数记忆直接用更新后的参数推理，算是一种“隐式读取”，这条路上没有一个能单独检查的读取动作。

代价论文也自己列了。微调有灾难性遗忘，而且在线交互里每一步都反向传播是负担不起的；知识编辑要付 meta-training 成本，还难保住无关的记忆（§5.2.2）。后来有实证：EMNLP 2024 的一项研究在 3 个模型、8 类任务上评了 4 种编辑方法，事实改对了，推理、问答等通用能力跟着下降。论文 §8.1 是这样权衡的：参数记忆信息密度更高、更省存储，文本记忆可解释、可编辑，在医疗这类需要信任的场景，可解释性更要紧。

对这个电影清单，我倾向保留文本：哪次对话说了什么、改了哪条偏好，都能直接找到。换到别的任务，取舍未必一样。

怎么知道是记忆帮上了忙

如果 Alice 在最后一个问题里重复了“不看恐怖片”，助手答对，也可能只是读到了眼前这句话。要检查以前的记忆有没有用，得把这次重复提示去掉。

论文在评估部分区分了两种评估：直接评估记忆本身，和通过完整任务间接评估。后者更接近实际使用，但更难定位是哪部分出了力。论文 §6.3 的原话是任务表现能归因到多种因素，记忆只是其中之一。直接评估也不便宜：主观评估要雇人判连贯和合理，评分者之间的偏差让结果难复现；客观评估则用预定义问题的正确率。落到这个例子：直接评估只看那条偏好能不能取回来；间接评估从问时间开始把整场对话跑一遍，答对了也分不清是偏好起了作用，还是开头那句提示里就带着答案。

我会沿着这个案例补两道小检查。这是我自己的测试想法，还没跑过：

1. 只给新片单，看它能否找回旧偏好；
2. 明确说“今天例外”，看它会不会照样机械地套用旧记录。

第二道要是失败，就回去看这次确认有没有写入、旧条目是不是仍被当作当前约束。电影可以重选，记忆怎么更新，得在这一步说清楚。

综述写成时（2024 年 4 月），作者说还没有面向智能体记忆模块的开源基准。半年后 LongMemEval 补上了：500 道题嵌在可伸缩的多轮对话历史里，测五种能力，商业聊天助手和长上下文模型在跨多次交互记信息时掉了约 30% 准确率。它的五项里有知识更新（knowledge updates）和拒答（abstention），正好对着我这两道小检查。真要做，我会先借它的题面，而不是自己从零出题。