HiMeS：面向个性化AI助手的类海马体记忆系统

大语言模型（LLM）支撑着聊天机器人、客服智能体和个人助理等众多交互系统。在需要用户级个性化的知识密集型场景中，常规检索增强生成（RAG）流水线表现出记忆容量有限、检索机制与用户特定对话历史之间协调不足的问题，导致冗余澄清、检索文档不相关以及用户体验下降。受海马体-新皮层记忆机制启发，我们提出HiMeS，一种融合短期与长期记忆的AI助手架构。我们的贡献有四点：(1) 短期记忆提取器通过强化学习进行端到端训练，用于压缩近期对话并主动从知识库预检索文档，模拟海马体与前额叶皮层之间的协作交互。(2) 分区式长期记忆网络存储用户特定信息并对检索到的文档重排序，模拟分布式皮层存储与记忆再激活。(3) 在一个真实工业数据集上，HiMeS在问答质量上显著优于级联RAG基线。(4) 消融研究确认了两个记忆模块的必要性，并为构建更可靠、具上下文感知、用户定制的基于LLM的助手提示了实用路径。