情绪注意力有状态记忆（EASM）：面向大规模超个性化的架构

当前的语言模型系统在会话之间从根本上仍是无状态的，限制了其随时间推移个性化交互的能力。尽管检索增强生成与微调改善了知识获取和领域能力，但它们无法实现对个体用户的持久理解。我们提出一种情绪注意力有状态记忆架构，在推理时利用长期历史、情绪信号与推断意图动态构建用户特定的会话上下文。为评估其影响，我们在30段非脚本对话上开展了受控A/B研究，对话横跨六个情绪特征不同的类别，两种条件使用同一底层语言模型。记忆增强条件在所有评估场景中一致优于无状态基线。最大增益出现在记忆锚定（提升95%）、计划清晰度（57%）与情绪认可（34%）上。即使在涉及悲伤、痛苦与不确定性的情绪对抗性对话中，结果也保持一致。这些发现表明，有状态的情绪记忆可能构成超个性化AI系统的基础设施层，但仍需在更大规模、更多样化的评估中加以验证。