AdaMem：面向长对话智能体的自适应用户中心记忆框架 AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents

AdaMem的完整执行流程分为四个阶段。第一阶段是记忆构建：对于每条新消息 u_t，Memory Agent首先生成规范化记录 z_t（包含摘要、话题、态度、原因、事实片段、属性、时间戳和说话人身份），写入参与者特定的工作记忆 M_w（FIFO队列，容量 C_w=20）。当队列满时，弹出最旧的连续 r=5 条消息，通过三个路由器模块（事件、事实、属性）独立处理，每个路由器预测ADD、UPDATE或IGNORE操作以及目标键。随后进行话题重分组：将细粒度情节键通过稀疏最近邻图连接，取连通分量作为合并组，由LLM合并提示重写为主题摘要和人物画像描述。同时，消息级和整合后的记录被索引到图记忆 G 中。第二阶段是目标参与者解析：系统判断问题指的是用户、助手、两者还是不明确的参与者，对模糊情况不做强制承诺，而是在两个参与者包上分别检索后融合。第三阶段是问题条件检索规划：根据问题中的线索构建检索计划 π(q)，指定图扩展参数，然后执行基线检索（语义检索人物画像摘要、情节事实和话题链接消息）和图检索（选择语义种子节点，进行有界多跳扩展，传播分数更新为 s_{d+1}(v) = s_d(u) * w_e * λ），最后通过融合公式 score(m|q) = α * s_base(m,q) + β * s_graph(m,q) + γ * s_recency(m) + δ * s_fact(m) 组合证据。第四阶段是多智能体响应生成：Research Agent执行「规划-搜索-整合-反思」循环（最多 L_i=2 次迭代），将证据整合为研究摘要；Working Agent将研究摘要转化为最终简洁答案，必要时补充高置信度的人物画像属性或事实片段。

AdaMem的技术新颖性体现在三个层面。首先是记忆结构的创新：与MemGPT的分页机制、Mem0的扁平存储、A-Mem的动态组织不同，AdaMem维护四种互补的记忆类型（工作、情节、人物画像、图），每种类型服务不同的信息层次——工作记忆保存即时上下文，情节记忆保存结构化长期记录，人物画像保存稳定用户特征，图记忆保存关系连接。这种多层设计使得系统能够同时处理「用户今天说了什么」和「用户长期的兴趣偏好是什么」。其次是检索策略的创新：传统系统对所有问题使用统一的语义检索，AdaMem引入了问题条件检索路由，根据问题中的时序、关系、属性等线索动态选择检索策略，并通过图扩展的边类型先验（如时序边权重0.70、说话人相关边权重0.65）和跳数衰减因子 λ=0.85 控制证据传播。第三是智能体架构的创新：不同于单一控制器处理记忆写入、检索、验证和响应生成的模式，AdaMem采用三个专门化智能体的协作流水线，Memory Agent专注于记忆维护，Research Agent专注于迭代证据收集（含反思机制），Working Agent专注于答案生成，这种分解减少了记忆维护与答案推理之间的干扰。

AdaMem的弱点可以从几个具体场景来分析。第一，在隐式时序推理场景中，AdaMem的性能仍有提升空间。论文的失败案例分析（Figure 5）展示了这一点：当用户说「这本书我去年读的」，系统需要将「去年」规范化为绝对年份（如2022），但当前的时序规范化主要依赖检索阶段的线索检测，而非写入时的规范化存储。改进方向是在消息理解阶段就进行时序表达式的规范化，将相对时间（「去年」「上个月」）转换为绝对时间戳存入记忆。第二，图记忆的边权重和跳数衰减因子是固定的先验值（如 λ=0.85），无法根据对话内容动态调整。在实际应用中，不同领域的对话可能需要不同的关系强度建模——技术讨论中因果关系更重要，闲聊中时序关系更重要。改进方向是引入可学习的边权重估计器，根据查询特征和历史证据动态调整传播参数。第三，AdaMem的参与者解析是基于显式提及的简单规则（提到用户名字-用户，提到助手名字-助手），对于代词引用或隐式指代的情况处理不足。改进方向是引入共指消解模型或上下文感知的参与者推断模块。第四，多智能体协作的迭代检索次数固定为 L_i=2，对于需要多次证据分解的复杂问题可能不够。改进方向是根据问题复杂度和证据完整性动态调整迭代次数，或引入停止条件的自适应估计。

作者在论文中提到未来将探索提升效率和泛化性的方案。基于AdaMem的成果，我认为有几个有前景的研究方向。首先是记忆压缩与蒸馏：当前的情节记忆通过话题重分组和人物画像刷新进行了一定程度的压缩，但随着对话历史增长，记忆库的规模仍会持续膨胀。可以探索基于重要性评分的记忆修剪策略，或通过记忆蒸馏将分散的证据浓缩为更紧凑的表示。其次是跨模态记忆整合：论文中的对话仅包含文本信息，但实际的长期对话场景可能涉及图像、音频、视频等多模态内容（如用户分享的照片、语音消息），如何将这些模态信息统一编码到图记忆中是一个值得探索的方向。第三是记忆的一致性维护：当用户偏好随时间演变（如从喜欢「古典音乐」转向「爵士乐」），如何在保留历史偏好的同时更新当前人物画像，避免记忆中的矛盾信息影响推理质量，这需要更精细的记忆版本控制和冲突检测机制。第四是隐私保护的记忆管理：在实际部署中，用户的长期对话数据包含大量敏感信息，如何在不泄露隐私的前提下支持有效的记忆检索和推理（如差分隐私、联邦学习、本地化记忆存储），是走向实际应用必须解决的问题。

从复现角度来看，AdaMem具有较好的可复现性基础。论文承诺代码将在接受后开源，这为复现提供了最重要的保障。数据集方面，LoCoMo和PERSONAMEM都是公开可获取的基准，实验设置（温度为0、检索top-K为10、最大迭代次数为2）都有明确说明。算力需求方面，实验在NVIDIA RTX A800 GPU上进行，使用了闭源API（GPT-4.1-mini、GPT-4o-mini）和开源模型（Qwen3-4B-Instruct、Qwen3-30B-A3B-Instruct），对于没有大算力资源的研究者，可以使用较小的Qwen3-4B模型进行实验，该模型仍能达到36.78%的F1。记忆嵌入使用的是all-MiniLM-L6-v2模型，这是一个轻量级的句子嵌入模型，易于部署。论文还提供了详细的附录，包括图构建规则（Appendix C）、实现细节（Appendix B）和提示模板（Appendix E），这些都有助于复现。复现难度中等：框架的组件设计（四种记忆类型、三个智能体、问题条件路由）都有明确描述，但具体的提示工程细节和超参数调优可能需要一定的实验摸索。主要的复现障碍是闭源API的使用——如果只用开源模型，性能会有一定下降（约8个F1点），但框架的核心设计优势仍然可以验证。