Memoria: A Scalable Agentic Memory Framework for Personalized Conversational AI

告别AI“健忘症”：Memoria利用加权知识图谱打造可扩展的个性化记忆

目前的LLM（大语言模型）聊天机器人往往像是一个患有严重“健忘症”的过客：无论你们之前的对话多么深入，一旦开启新会话，它就会把你忘得一干二净。这种“无状态”的特性，使得AI难以建立长期的用户画像，也无法提供真正连贯的个性化体验。

ArXiv URL：http://arxiv.org/abs/2512.12686v1

为了解决这一痛点，来自贝莱德（BlackRock）的研究团队推出了 Memoria。这是一个模块化的记忆框架，旨在通过引入代理记忆（Agentic Memory），让LLM拥有像人类一样的持久记忆能力。Memoria不仅能记住对话内容，还能通过构建知识图谱（Knowledge Graph, KG）来理解用户的偏好与特质，从而在长周期的交互中提供精准的个性化服务。

核心痛点：当聊天机器人没有“脑子”

传统的LLM部署通常是无状态的，每一次交互都是独立的。虽然我们可以通过检索增强生成（RAG）或简单的对话历史拼接来提供上下文，但这些方法往往面临两个极端：要么上下文窗口不够用（或Token成本太高），要么检索到的信息过于碎片化，缺乏对用户整体形象的理解。

Memoria的出现，正是为了填补这一空白。它不是简单地存储聊天记录，而是通过一种混合架构，同时解决了“短期对话连贯性”和“长期个性化记忆”的问题。

Memoria的系统架构：四大支柱

Memoria的设计理念非常清晰，它作为一个增强层嵌入到任何基于LLM的对话系统中。其核心由四个模块组成：

1. 结构化对话日志（Structured Conversation Logging）：

   这是记忆的基础层。Memoria利用数据库将所有的交互转化为结构化的、可查询的记录。这消除了用户在跨会话时需要重复自我介绍的尴尬。

2. 基于KG的动态用户画像（Dynamic User Persona via KG）：

   这是Memoria最“聪明”的地方。它不仅仅记录“说了什么”，还通过增量构建知识图谱来捕捉“用户是谁”。系统会从对话中提取实体和关系（例如：用户——喜欢——科幻电影），并随着对话的深入不断进化这个图谱。

3. 会话级摘要（Session Level Memory）：

   为了处理当前正在进行的对话，Memoria会实时生成对话摘要。这确保了在多轮对话中，AI能保持上下文的连贯性，而不需要每次都把冗长的历史记录全部喂给模型。

4. 上下文感知检索（Context-Aware Retrieval）：

   当用户在几天甚至几周后回归时，检索模块会融合“结构化历史”和“用户KG”，为当前的新查询提供最相关的背景信息。

技术亮点：加权衰减与冲突解决

在长期记忆中，最大的挑战之一是信息的时效性和冲突。比如，用户上周说“我喜欢吃辣”，但这周说“最近胃不好，不吃辣了”。如果AI只是简单检索，可能会产生矛盾。

Memoria引入了一种指数加权平均（Exponential Weighted Average, EWA）机制来解决这个问题。它根据信息的新旧程度为知识图谱中的三元组分配权重。

具体来说，对于每个三元组 $i$，其原始权重 $w_{i}$通过以下指数衰减函数计算：

\[w_{i}=e^{-a\cdot x_{i}}\]

其中 $x_{i}$ 代表该信息距离当前的“距离”（如时间或对话轮数）。

随后，系统会对权重进行归一化处理：

\[\tilde{w}_{i}=\frac{w_{i}}{\sum_{j=1}^{N}w_{j}}\]

这种机制确保了最近的交互拥有更高的权重。在检索时，LLM会优先考虑权重更高的信息。这意味着，如果用户的偏好发生了变化，Memoria能够自然地“遗忘”旧偏好，采纳新偏好，从而解决记忆冲突，保持用户画像的鲜活性。

工作流程：从陌生人到老朋友

Memoria根据用户的状态（新用户 vs 老用户）和会话状态（新会话 vs 进行中）动态调整其工作流：

• 新用户/新会话：系统从零开始，仅依赖当前的Prompt和用户输入。

• 老用户/新会话：这是Memoria大显身手的场景。系统会检索该用户的知识图谱（KG），提取关键的用户画像信息注入到Prompt中。这样，即便是一个全新的话题，AI也能带着对你过去的了解来回答。

• 老用户/进行中：系统同时结合“会话摘要”和“知识图谱”，既保证了当前聊天的流畅，又不丢失长期的个性化背景。

实验表现：更精准，更高效

研究团队在 LongMemEvals 数据集上对 Memoria 进行了评估，并与另一种记忆框架 A-Mem 进行了对比。实验主要关注“单会话用户记忆”和“知识更新”两个维度。

结果显示，Memoria在准确性上表现优异。特别是在处理知识更新（即用户改变偏好或纠正事实）的场景下，得益于其独特的加权衰减机制，Memoria能够更准确地识别最新的用户意图，而不是被旧的历史数据误导。

此外，在延迟和Token消耗方面，Memoria也展现出了极佳的可扩展性。相比于简单粗暴地堆砌历史记录，Memoria通过精选的KG三元组和摘要，大幅减少了输入给LLM的Token数量，这对于工业级的大规模应用至关重要。

总结

Memoria展示了如何通过结合结构化数据库、语义知识图谱和动态加权算法，构建一个既懂短期语境又懂长期偏好的AI代理。对于那些希望在客户服务、个人助理或长期陪伴型AI产品中实现深度个性化的开发者来说，Memoria提供了一个极具参考价值的开源范式。它证明了，让AI拥有“记忆”，不仅仅是存储数据，更是关于如何理解和权衡数据。