PersMem：将个性内化到 LLM Agent的双通道记忆中

角色扮演Agent的配置文件通常取决于系统提示中预定义的个性，而其记忆处理管道（包括存储记忆的优先级和后续检索）仍然独立于该个性。这种分离导致智能体的记忆处理与预定义的个性不一致，并且很难验证智能体的行为是否遵循这种个性。在本文中，我们提出了个性整合记忆（PersMem），它将个性集成到Agent的记忆处理管道中，使其始终依赖于个性。 PersMem 使用四个步骤处理记忆，其中将个性映射到控制特定操作的参数：(i) 情感评估，注释用户输入的情绪状态； (ii) 保留先前存储的记忆以及当前输入； (iii) 被动情感驱动的记忆检索，探索与语义和个性引导情感中的用户输入类似的记忆； (iv) 主动目标驱动的记忆检索，可提炼和选择被动检索的记忆作为答复。因此，可以通过检查人机交互期间的记忆处理痕迹来检查与预定义个性的一致性。我们评估依恋和大五环境中这些与人格相关的差异。 PersMem 超出四向附件分类的机会基线 23.1 个百分点。在大五对话比较中，PersMem 的准确率达到 67.5%，比使用均匀采样记忆的基线高出 6.7 个百分点。在 CoSER 上，PersMem 的平均得分为 66.13，其中角色保真度得分为 69.33，故事情节质量得分为 84.33。总之，这些结果表明 PersMem 产生可区分的与个性相关的记忆处理模式。