面向LLM长期人格一致性的异构时序记忆治理框架

大语言模型在长程交互中常出现事实丢失、时间线混乱、人格漂移与稳定性下降，尤其在高噪声知识库、上下文清除和跨模型迁移的情况下。为解决这些问题，我们提出ARPM，一个面向长期对话的外部时序记忆治理框架。ARPM将静态知识记忆与动态对话经验记忆分离，并结合向量检索、BM25、RRF融合、双时序重排序、按时间顺序的证据阅读，以及用于证据验证与答案绑定的受控分析协议。与将人格一致性编码进模型权重或仅依赖长上下文的方案不同，ARPM把连续性视为可追溯、可审计、可迁移的治理问题。基于工程日志，我们开展三项实验。其一，在50轮问答设定中比较1:5与1:200+两种信噪比，并区分CSV自动判定与人工复核：1:5下CSV召回准确率为54.0%，人工复核将其提升至100.0%；1:200+下两者分别为44.0%与80.0%。这些结果表明，在支持性证据进入提示后，自动规则可能低估召回率。其二，消融结果显示对话历史检索对近期连续性必不可少：禁用后严格准确率从100%降至66.7%，禁用BM25则降至80.0%，说明纯语义检索不足以支撑纠错与溯源。其三，在510万字符噪声基底、周期性上下文清除与多模型交接下，ARPM保持了语义连续性、边界连续性与人格一致性，同时暴露出协议遵从性弱所致的局限。这些发现表明，长期人格一致性可分解为可治理的组件并以白盒方式评估。