门控记忆：对话式人工智能的准入控制记忆形成

个性化会话人工智能依赖于长期记忆系统，该系统从用户话语中提取事实并将其存储在持久向量存储中。尽管在检索、重复数据删除和生命周期管理方面取得了进展，但事实首次写入存储的形成阶段几乎没有受到原则上的关注。我们将其视为生产系统中内存质量的约束约束。关键的上下文信号，例如永久用户属性和瞬时情况之间的区别，仅存在于原始话语中，并且在提取产生主语-关系-客体三元组时不可逆地丢失。没有下游过程可以恢复它们。我们提出了门控记忆（Gated Memory），一种轻量级、模块化的形成框架，在对话和存储之间插入两个决策检查点：一个准入门，在提取运行之前根据完整的话语上下文评估每个候选事实；以及一个条件丰富阶段，通过具有隐私约束的实体范围分类法为承认的事实提供依据。门评估 仅当前交换，同时使用先前回合作为只读参考上下文，并生成结构化编队记录。承认的内容被分解为原子事实，每个事实都进行了分类，标有出处（直接陈述与推断），限定其适用性条件，并以已解决的时间和地点为基础，受到不能断言上下文中不存在的任何实体的约束。在具有非典型情感密度的话语数据的 LoCoMo-10 基准上，与具有相同检索和生成的强大基线相比，门控记忆在 LLM 判断准确度上总体相对提高了 2.6%，将形成质量确立为记忆性能的可测量约束。