Personalize-then-Store：面向长时程智能体的个性化记忆基准与学习

现有基于大语言模型（LLM）的记忆系统采用统一、静态的策略，忽视了一个基本事实：值得存入记忆的上下文因用户而异。这种错配把有限的记忆预算浪费在短暂交互上，同时未能为长时程任务保留关键上下文。为弥补这一空白，我们研究一个此前较少被探索的问题：基于LLM的记忆系统能否学习个性化的记忆策略？我们提出PerMemBench，首个用于评估个性化记忆系统的基准，其特点是覆盖多样用户画像的多年、多领域交互历史。我们进一步开展首个记忆个性化实证研究，提出会话级存储门控（session level storage gating），一个为短暂会话选择性跳过记忆操作的轻量框架。我们的研究证实，在完美门控下个性化能带来可观的保留增益，但也揭示出精确门控仍是一个开放且关键的挑战。