MemoryForge：为类人 LLM 代理合成终身记忆

为 大语言模型 (LLM) 配备类人角色对于角色扮演和用户模拟等代理应用至关重要。传统的基于提示的方法依赖于通过注入静态文本配置文件进行描述性条件反射，这通常会使代理由于缺乏现实生活记忆而表现出通用行为。为了填补这一空白，我们引入了基于记忆的条件反射，这是一种受认知心理学启发的范式，它用自传体记忆库取代了抽象档案，使冻结的 LLM 能够动态检索与情境相关的记忆来指导他们的行为。我们将其启用任务形式化为定制的终身记忆合成，并提出了 MemoryForge，这是一种从简短的目标角色合成这种终身记忆的新颖框架。 MemoryForge 具有三个关键组件：用于社会历史基础的上下文生成器、用于实现目标身份发展一致性的生活组织者，以及平衡广泛的时间摘要与高保真情景体验的多分辨率模拟器。在 PersonaGym 上进行的角色扮演实验和在 SimulatorArena 上进行的用户模拟实验表明，MemoryForge 的合成记忆基础使冻结的 LLM 能够比跨多个指标和 LLM 主干的强描述性调节基线表现出更多类似人类的行为。