[CVPR 2026] AdaMem：打破语义检索局限，构建用户中心的长周期对话“超级大脑”
AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents
本文提出了 AdaMem，一个面向长周期对话智能体的自适应用户中心记忆框架。该框架通过整合工作记忆、情节记忆、角色记忆和图谱记忆，结合问题感知的路由规划与多智能体协作，在 LoCoMo 和 PERSONAMEM 榜单上均创下了 SOTA 纪录。
TL;DR
在长周期对话（Long-horizon Dialogue）中，智能体往往会“失忆”或“张冠李戴”。本文提出的 AdaMem 框架通过引入自适应路由与四维结构化记忆（Working, Episodic, Persona, Graph），不仅让模型记住了“谁说了什么”，更理解了事件间的时序逻辑。实验证明其在时序推理任务上取得了 23.4% 的惊人增长。
背景：为什么简单的 RAG 搞不定长对话？
目前大多数 Agent 的记忆方案本质上是“平铺式检索”：把对话历史切成 Chunk，算个 Embedding，根据相似度捞回来。这种方法有三个致命伤：
- 语义误导：问“我的猫叫什么”，系统可能捞出一堆关于“狗”的讨论，仅仅因为它们都属于“宠物”主题，却由于语义间隔错过了真正的答案。
- 时序断裂：碎片化的存储丢失了“先发生 A，再导致 B”的因果链。
- 粒度僵化：有些问题需要精细到某句话，有些则需要宏观的角色画像，固定长度的 Chunk 无法兼顾。
核心机制：AdaMem 的四维记忆矩阵
AdaMem 不再把记忆看作一个大垃圾袋，而是将其组织为四个相互配合的层级：
- Working Memory：滑动窗口缓冲区，保存最即时的上下文。
- Episodic Memory：结构化的长期记录，包含事件、事实和摘要。
- Persona Memory：从情节中蒸馏出的用户画像，捕捉稳定的偏好。
- Graph Memory：核心创新！利用异构图连接消息、主题和实体，支持关系感知检索。
技术深度剖析：问题感知路由 (Question-Conditioned Retrieval)
AdaMem 的聪明之处在于它不会针对每个问题都动用昂贵的图检索。系统内置了一个路由规划器 (Route Planner)：
- 如果是简单的实时事实查询，仅使用语义检索（Baseline）。
- 如果识别到“为什么”、“之后”、“关系”等关键词，则触发图谱扩展 (Graph Expansion)，沿着
temporal_next或supports边寻找隐藏的关联。
这种“按需分配”的逻辑结合了三个专业智能体的协作：
- Memory Agent：负责日常的记忆整理与清洗。
- Research Agent：负责像侦探一样多轮搜索、整合证据。
- Working Agent：负责最后的端到端生成，确保回答简洁精准。
实验战果：全方位的 SOTA
在 LoCoMo 指标上，AdaMem 展示了降维打击般的逻辑链路重构能力。
关键发现：
- 消融实验：去掉 Graph Memory 后性能显著下降。这证明了在复杂推理中，关系边提供的价值远超单纯的向量距离。
- 时序推理：得益于
temporal_next边的设计，模型在处理“去年”、“在 A 之后发生的 B”这类问题时，召回率大幅领先。
深度洞察与总结
AdaMem 的成功标志着记忆系统正在从“存储层”向“认知层”进化。它不再是被动地存取文本，而是主动地维护各参与者（User & Assistant）的实体关系网。
局限性： 尽管 AdaMem 强大，但它的复杂度也带来了更高的 Token 成本和延迟（约 4.72s）。此外，正如论文中的失败案例所示，对于“隐含实体对齐”（例如将“那本书”关联到具体书名）以及更深层的符号化时间推理，模型仍有进步空间。
未来启示： 未来的 Agent 可能不再需要冗长的全量上下文，而是一个能够自我演进、自动进行事实归一化的结构化认知基座。AdaMem 为此提供了一个极具参考价值的工程范式。