记忆发挥作用：评估不同的记忆角色如何塑造对话代理

先前对基于 RAG 的会话系统中记忆机制的研究强调记忆是如何存储和检索的。然而，对于具有不同功能角色的记忆如何影响反应质量，人们知之甚少。具体来说，它们如何在不同的对话环境下塑造代理的响应，以及它们是否会导致实质性不同的响应行为。对话系统中的现有评估也很大程度上是基于参考的，不足以捕捉可能以不同方式解决用户偏好的响应中的细微差别。在这项工作中，我们探讨了不同记忆类型对塑造代理反应的影响。我们提出了会话记忆的细粒度分类法，将检索到的记忆分为不同的角色类型，并设计了一个以用户为中心的评估框架来模拟用户的观点。通过对长期数据集和前沿LLM的比较实验，我们的分析揭示了记忆的许多差异化效果：例如，澄清记忆可以提高反应的事实准确性和约束意识，使它们更加正确和个性化；不相关的记忆会降低主题相关性并降低约束意识。尽管前沿 LLM 具有强大的力量，但这些发现揭示了如何利用不同的记忆类型来产生更个性化的反应，并激发这个方向的进一步研究。