Oppo AI Agent 團隊新論文「O-Mem」：聚焦於AI 智能體在長期互動中的記憶 O-Mem 是一個創新的記憶框架，旨在透過模擬人類記憶機制，讓AI 智能體變得更像「自適應助手」：它能動態構建用戶畫像，支持長時序交互，並高效檢索相關信息，而非簡單堆積歷史記錄。 論文的核心觀點是，現有的AI 智能體記憶系統存在限制：它們容易忽略語義上不相關但關鍵的使用者訊息，並引入檢索雜訊。 O-Mem 透過「主動使用者畫像」來解決這些問題，將每個互動視為更新使用者模型的機會，從而實現更精準、經濟的記憶管理。 核心方法：O-Mem 框架 O-Mem 借鑒人類記憶結構，分為三個互補模組，形成一個全向記憶系統： · 人物記憶（Persona Memory）：儲存使用者的長期屬性和事實，例如偏好、習慣或背景（如「使用者喜歡咖啡，但對咖啡因敏感」）。它使用LLM從互動中提取屬性，並透過「新增/忽略/更新」決策動態維護。屬性採用LLM增強的最近鄰聚類來處理重複，確保簡潔性。 · 工作記憶（Working Memory）：依主題繪製互動記錄，幫助維持對話的主題連續性。例如，從目前查詢中檢索相關主題下的歷史片段。 · 情節記憶（Episodic Memory）：透過關鍵字或線索（如「生日」）關聯過去事件，支持聯想式回憶。它使用逆文檔頻率評分來挑選最獨特的線索，避免常見單字的干擾。 記憶建構和檢索過程高效：對於新交互，LLM 提取主題、屬性和事件，更新字典映射。檢索時，三模組並行工作：工作記憶拉取話題相關內容，情節記憶選線索檢索，人物記憶匹配屬性。最終檢索結果融合後輸入LLM 產生回應。這種設計避免了全歷史掃描，減少了雜訊和計算開銷。 實驗結果與評估團隊在三個基準上測試O-Mem，證明其在性能和效率上的優勢： · LoCoMo 基準（長對話一致性）：O-Mem 的F1 分數達51.67%，比LangMem 提升3%（48.72%），特別是在時序和多跳推理任務中表現出色。 · PERSONAMEM 基準（使用者-LLM 個人化對話）：準確率62.99%，比A-Mem 提升3.5%（59.42%），在偏好追蹤和泛化能力上領先。 · 個人化深度研究基準（真實使用者查詢）：使用者對齊度44.49%，比Mem0 高8%（36.43%）。 效率方面，O-Mem 顯著優於基線：token 消耗減少94%（1.5K vs. LangMem 80K），延遲縮短80%（2.4s vs. 10.8s），記憶體佔用僅3MB/用戶（vs. 30MB）。消融實驗顯示，每個模組獨立貢獻價值－例如，人物記憶模組能將檢索長度縮短77%，同時提升表現。在性能-效率上的Pareto 最優性，與直接檢索原始歷史（RAG）的權衡相當，但成本更低。 論文線上討論：
