MemoryBank — 给 LLM 长期陪伴场景加用户记忆
已复核 · 稳定内容MemoryBank: Enhancing Large Language Models with Long-Term Memory 是一篇面向长期对话和 AI companion 场景的 LLM 记忆机制论文。
类比：普通 chatbot 像第一次见面的陌生人，每次都要重新介绍自己；MemoryBank 像一个会写关系笔记的朋友，记得你最近的状态、长期偏好和重要经历，并且会随着时间更新印象。
本卡只基于 arXiv v3 和论文静态阅读整理，没有复现 SiliconFriend，也没有重新跑定性或定量对话实验。所有结果保持 UNVERIFIED。
长期陪伴式 LLM 有一个基本矛盾：用户希望它记得自己，但模型上下文有限，历史对话又可能过期、冲突或不重要。
如果只做原文检索，会遇到几个问题：
- 旧事实可能已经变了；
- 太多碎片会冲淡真正重要的信息；
- 用户画像需要综合，不是简单 keyword match；
- 记忆还要有情感和关系连续性。
MemoryBank 的问题是：如何让 LLM 在长期对话里召回相关记忆、更新用户画像，并模拟一定程度的“遗忘”和“强化”？
- 它把长期记忆从 agent 任务经验扩展到用户关系和人格画像。
- 它引入类似 Ebbinghaus forgetting curve 的选择性遗忘机制。
- 它关注陪伴、心理对话等持续互动场景。
- 它能和 generative-agents 的 memory stream 形成互补：一个偏社会模拟，一个偏单用户长期交互。
- 它提醒我们：memory 治理必须处理过时、重要性和隐私边界。
MemoryBank 的记忆可以理解成三层：
| 层 | 内容 | 作用 |
|---|---|---|
| raw dialogs | 原始对话片段 | 提供证据 |
| summarized memory | 摘要后的事件 / 偏好 | 降噪和检索 |
| user profile | 对用户性格、偏好、状态的综合理解 | 生成更贴合的回复 |
论文引入遗忘曲线思想：随着时间推移，记忆强度下降；重要或重复出现的记忆会被强化。这样 memory 不再是无限堆积，而是会根据时间和重要性动态变化。
应用例子是 SiliconFriend：一个带 MemoryBank 的长期 AI companion，用来展示更连贯的陪伴式对话。
- 引言提出 LLM 缺少长期记忆的问题。
- 方法部分描述 MemoryBank 的存储、检索、更新和遗忘机制。
- 系统部分展示 SiliconFriend。
- 实验部分结合真实用户对话和模拟对话做定性 / 定量分析。
- 讨论部分强调长期陪伴、心理对话和人格理解。
读这篇时要注意：它不是通用 agent benchmark，而是偏长期互动产品形态的 memory system。
手工 toy 复现
Section titled “手工 toy 复现”假设用户连续几周和 AI 助手聊天：
| 对话事实 | 是否该记 | 处理方式 |
|---|---|---|
| “我明天要面试 iOS 岗” | 是 | 近期重要事件 |
| “我今天喝了奶茶” | 视情况 | 单次闲聊，低权重 |
| “我不喜欢被催得很急” | 是 | 长期协作偏好 |
| “我现在改投后端了” | 是 | 更新旧画像 |
好的 memory 不只是把四句话都存起来，而是要知道哪些会影响未来回复，哪些会随时间衰减，哪些会覆盖旧事实。
这个 toy 只说明 MemoryBank 的机制直觉，不代表复现论文实验。
MemoryBank 的评测要小心看三点：
- 记忆召回：回复是否用到了相关历史；
- 用户理解：系统是否形成合理用户画像；
- 长期一致性：多轮交互里是否减少前后矛盾。
但这些指标容易受主观评价影响。论文里的 companion 场景很有启发，但不能直接等同于所有 agent memory 都会提升。
- 用户画像可能过度概括：一句话不该永久定义一个人。
- 遗忘曲线只是启发：人类记忆规律不能机械套到所有任务。
- 心理陪伴场景风险更高：错误记忆或错误共情可能伤害用户。
- 长期记忆有隐私成本：记住得越多，越需要权限、可见性和删除机制。
- 模拟用户不等于真实用户：用 LLM 生成长对话可以扩规模，但会引入模拟偏差。
与当前工作的连接
Section titled “与当前工作的连接”这篇对 study 的意义在于提醒我们：长期 memory 不应只保存“事实”，还要保存“协作偏好”和“变化历史”。
但这也有边界。仓库 memory 只应保存稳定偏好、规则、经验，不保存敏感原文或瞬时聊天细节。MemoryBank 的产品设想要转成工程实践，必须加权限、来源和过期机制。
它也补上 memgpt 没强调的一侧：MemGPT 更像 runtime；MemoryBank 更像用户关系层。
MemoryBank 的核心不是“多存一点聊天记录”，而是把长期交互拆成记忆抽取、重要性更新、遗忘衰减、用户画像综合四个动作。
对 agent 来说，记忆系统必须同时回答三个问题：这条信息是否真实、是否仍然有效、是否应该影响当前行为。缺任何一个，memory 都可能变成污染源。
- arXiv: MemoryBank: Enhancing Large Language Models with Long-Term Memory
- generative-agents —— multi-agent 社会模拟里的 memory stream
- memgpt —— virtual context management
- memgym —— memory benchmark
- generative-agents —— 记忆与反思驱动可信行为
- memgpt —— 分层上下文和长期存储
- memgym —— 评估 memory 对 agent 执行的帮助
- evo-memory-2511 —— 后续 agent long-term memory 方向
- self-evolving-agents-survey —— memory 作为 self-evolution 组件
- reflexion —— 失败经验记忆
- lats —— 与 memory 互补的 planning / search 控制流