AMU：个性化对话的准入和记忆更新——SLM引导控制的结构化记忆

大语言模型 (LLM) 已成为个性化助理的基础，但在长期交互​​中保持持久的用户记忆仍然具有挑战性。现有的内存系统通常专注于存储、检索或整合，而内存写入的控制仍然较少：瞬态请求、重复语句和过时的用户状态可能会进入内存并稍后被检索以进行个性化。在本文中，我们提出了 AMU：个性化对话的准入和记忆更新，这是一种用于写作时记忆控制的 SLM 引导（小语言模型引导）结构化框架。 AMU 使用结构化内存过滤来决定什么内容应进入内存，并使用 SLM 引导的存储管理来确定是否应单独存储已接纳的记录、作为重复项丢弃或作为更新融合。我们在受控的内存写入和检索设置中评估 AMU。实验结果表明，AMU 保持了更清晰、更可检索的个性化记忆。