让用户掌控记忆容量与遗忘
可控的记忆并非无限存档——而是由你决定什么该留下、什么该淡去。2024年，一个名为DyMemR的模型引入了“类人记忆池”，带有明确的容量上限、记忆衰减和重复刺激机制[1]。这意味着系统会自动遗忘次要信息，并强化反复出现的内容，从而在推理准确率上超越了基线模型。对用户而言，这体现为“设定记忆容量”或“强化重要事件”之类的控制选项——让知识图谱不至于淹没在噪声中。
同一项研究发现，使用全部历史事实会引入噪声和无效信息，反而损害推理能力[1]。因此，可控的设计应允许用户筛选或修剪旧数据，而非仅仅一味累积。这是一个直接的设计选择：提供一个“记忆保留”滑块或“遗忘旧事件”按钮，其依据在于选择性记忆优于穷尽式存储的证据。
让用户跨时间检索与整合信息，而非仅限近期事件
控制还意味着能够提出“上个月发生了什么？”这样的问题，并得到一个综合性的答案，而不仅仅是一份近期事实的清单。Zep系统作为一种2025年的时序知识图谱架构，在跨会话信息综合和长期上下文维护方面表现出色[2]。在LongMemEval基准测试中，与基线相比，它的准确率提升了最高18.5%，响应延迟降低了90%[2]。对用户而言，这意味着拥有一个理解时间的搜索框——比如“显示我第三季度与X的所有会议”——并返回一份连贯的摘要，这远比原始数据堆砌让人感觉更可控。
另一项研究MTDM发现，仅关注近期事实会忽略早期包含有用知识的旧信息[3]。因此，可控设计应提供“时间范围”筛选器或“历史背景”开关，让用户能从任意时间段提取内容。这是一个具体的设计选择：让时间筛选器明确且易于调整，这样智能体的记忆就不会显得像患了失忆症。
提供对图谱推理方式的控制，而不仅仅是存储内容的控制
可控性不仅仅关乎存储——它更关乎智能体如何利用图谱来作答。2023年有一款名为DaeMon的模型，它能在不依赖实体表示的情况下，建模查询主体与候选对象之间的时间路径信息[4]。这意味着用户可以通过指定路径或关系来控制推理，而不仅仅是实体，这在随时间出现新实体时尤为有用。对用户而言，这可以是一种“按关系推理”的模式，让他们提出“是什么导致了这一事件？”这样的问题，并获得基于路径的解释。
这一设计选择得到了以下事实的支持：DaeMon在MRR（平均倒数排名，衡量模型对正确答案排序能力的指标）上比最先进的模型最高提升了4.8%[4]。因此，让用户控制推理机制——例如在实体中心视图和路径中心视图之间进行选择——可以使记忆系统显得更加透明且可控。
关于这些来源
这个回答基于4项研究（3项经同行评审，1项为预印本），发表于2023年至2025年间，其中2项为2024年或之后发表，1项发表于Q1期刊。这些研究是从4项通过质量筛选的研究中选出的最相关者，而这4项研究又源自从超过5亿篇论文数据库中检索到的35篇文献。
本文引用的文献
基于动态记忆增强的时间知识图谱推理
DyMemR是2024年提出的一种时序知识图谱推理模型，引入了具有容量限制、记忆遗忘和重复刺激机制的人性化记忆池，并表明选择性记忆（相较于使用全部历史）能够提升推理准确率。
Zep：一种用于智能体记忆的时间知识图谱架构
Zep是一种2025年的时序知识图谱架构，在Deep Memory Retrieval基准测试中表现优于MemGPT（94.8%对比93.4%），并在LongMemEval基准测试中将准确率提升了最高18.5%，同时将延迟降低了90%，尤其在跨会话综合与长期上下文处理方面效果显著。
记忆触发的时间知识图谱推理
MTDM是一种2023年提出的记忆触发决策网络，研究表明，在利用近期历史事实的同时结合更早的历史事实，能够提升预测的准确性和效率，并且聚焦于最相关的事实有助于减轻不精确知识的传播。
用于时序知识图谱推理的自适应路径记忆网络
DaeMon是一种2023年提出的自适应路径记忆网络，它无需依赖实体表示即可建模时间路径信息，在四个真实世界的时间知识图谱（TKG）数据集上，其MRR指标相比最先进模型取得了高达4.8%的绝对提升。