刚说过的偏好，AI 转头就忘？阿里 NapMem 让AI智能体学会主动查记忆，更快更准

导读：

刚说过的偏好，AI 下次就忘；反复强调的禁忌，它还是照犯。NapMem 的转折在于：它不再把记忆当成几条检索结果，而是让模型主动在用户画像、主题轨迹、记忆记录和原始对话之间查证。更有意思的是，拉开差距的不是更大模型，而是一个学会“怎么查记忆”的 9B 模型。让我们来看看，这到底是长期记忆的新方向，还是工程成本过高的精致方案？

在AI助手日益融入我们生活的今天，我们期待它们不仅能回答问题，更能记住我们的习惯、偏好和过往的对话，提供真正个性化的服务。这种长期用户记忆能力，已成为构建下一代个性化对话智能体的核心。

然而，现有的记忆系统大多采用“被动检索”模式：系统根据查询，从存储中预先筛选出一批记忆片段，然后一股脑地塞给大语言模型。这种模式让智能体成为了预选证据的被动消费者，当检索到的信息不完整或不相关时，智能体往往束手无策。

有没有一种方法，能让智能体像人类一样，主动地、有策略地去“翻找”自己的记忆库，根据当前问题灵活地决定查看哪些信息、从哪个层面入手，并在获得足够证据后适时停止？来自阿里通义、上海科技大学、浙江大学等机构的研究者们提出了一种全新的框架——NapMem，它将长期用户记忆重构为一个结构化的“动作空间”，并训练智能体学会在其中主动导航。

论文标题：From Passive Retrieval to Active Memory Navigation: Learning to Use Memory as a Structured Action Space

论文链接：https://arxiv.org/pdf/2607.05794

研究背景：从被动消费到主动导航

当前，提升智能体记忆能力的研究主要从两个方向展开：记忆构建与记忆检索。

在记忆构建方面，研究者们致力于设计更精细的记忆类别、引入向量、图、混合或分层存储结构，并尝试用智能体自身来管理记忆条目。例如，Mem0构建了紧凑的记忆记录以实现可扩展检索，Zep将记忆组织为时序知识图谱，而MemoryOS则提出了分层式的短/中/长期个人记忆架构。

在记忆检索方面，另一类工作通过引入反思性检索、个性化检索查询或优化检索重排等方式，使记忆访问更加自适应。例如，反思性记忆管理通过在线强化学习来优化检索，而一些检索导向的训练方法则专注于让模型生成更有效的搜索查询。

然而，这些方法大多将记忆访问视为一个系统级的检索功能或预先设计好的流程，智能体对于“如何使用记忆”的控制权仍然有限。它们暴露给智能体的，往往只是经过系统处理后的、扁平化的上下文，智能体无法根据对话的进展，主动决定是否需要查看更多证据、查看哪个抽象层级的记忆。

图1：被动检索留给智能体的只是部分证据，而NapMem将长期用户记忆作为一个动作接口暴露出来，使智能体能够在回答前主动搜索足够证据。

NapMem的核心思想，正是要将长期用户记忆的使用，从系统级的被动检索，转变为智能体原生的主动记忆导航。如图1所示，NapMem将记忆本身设计成一个可供智能体探索和操作的结构化空间，并赋予智能体相应的“记忆工具”，让它能够自主决定：是否需要查阅记忆？应该查阅哪个抽象层级（是概括性的用户画像，还是具体的对话原文）？目前获取的证据是否已经足够？

NapMem框架：构建可导航的记忆金字塔

NapMem框架的核心，是构建一个多粒度记忆金字塔，并训练智能体学会使用工具在这个金字塔中主动导航。

记忆金字塔：四层结构，层层关联

NapMem为每个用户构建一个独立的记忆金字塔，它自下而上包含四个层级，每一层都对用户历史提供了不同抽象程度的理解，并且通过来源链接相互关联，形成一个可导航的整体。

图2：NapMem框架概览。智能体通过记忆工具，在多粒度的长期记忆金字塔中主动导航，基于中间证据选择适当的抽象层级并细化动作。

1. 原始对话层：这是金字塔的基座，以消息为单位存储用户与智能体之间最原始的交互记录，包括说话人、内容、时间戳和唯一标识符。这一层保留了最高保真度的证据，供智能体在需要时核查最细微的细节。
2. 记忆记录层：这一层将原始对话证据转化为紧凑的、结构化的记忆记录。它定义了四种记录类型来覆盖用户信息的不同方面：事实（如“用户住在北京”）、事件（如“用户上周去了音乐会”）、指令（如“用户要求报告用Markdown格式”）和偏好（如“用户不喜欢吃香菜”）。每条记录都包含唯一标识符、类型、内容、来源消息ID等，并通过混合检索进行去重和更新，是用户记忆的基本语义单元。
3. 主题轨迹层：许多用户信息（如一个持续发展的爱好、一项长期进行的工作项目）是跨多个会话演进的。主题轨迹层就将相关的记忆记录组织成不断演化的、以用户为中心的叙事线索。每个主题轨迹文件包含元数据、简短摘要和叙述性描述，并明确链接到支撑它的记忆记录ID，从而捕捉跨会话的演变和重复出现的用户语境。
4. 用户画像层：这是金字塔的顶层，维护一个全局的用户画像文件，总结稳定的用户属性、长期偏好和交互模式。它为用户提供了一个简洁的全局视图，用于个性化和高层上下文理解。

记忆金字塔的构建是增量式、自底向上的。新的会话首先被追加到原始对话层，然后用于提取和协调记忆记录，这些记录的变化可能进一步触发主题轨迹和用户画像的更新。这种结构确保了底层证据的变化能够向上传播，同时保持了各层级之间清晰的溯源路径。

记忆工具：将记忆访问显式化

为了实现对记忆金字塔的导航，NapMem向智能体暴露了五类记忆工具，将记忆访问变成了一个显式的、序列化的决策过程：

• search_conversations / search_records: 通过混合搜索，在原始对话或记忆记录中检索相关候选片段。
• get_conversations / get_records: 通过持久标识符，精确获取特定的消息或记录。
• read_file: 读取主题轨迹文件或用户画像文件，获取高层级的抽象信息。

给定一个用户查询，智能体可以序列化地调用这些工具。它可以从全局的用户画像开始（自上而下），逐步细化到具体的主题轨迹或记忆记录；也可以从搜索具体的记录开始（自下而上），在需要证据核实时再追溯到原始对话。智能体需要根据当前查询和已收集的信息，动态决定下一步动作，并在认为证据充足时停止导航，生成最终答案。

训练智能体：用强化学习学会导航

仅仅提供工具和结构还不够，关键在于让智能体学会如何高效地使用它们。NapMem采用基于记忆工具的强化学习来训练智能体的导航策略。

研究者们使用分组相对策略优化（GRPO） 算法，在需要大量记忆的查询任务上对智能体进行训练。每个训练样本包含一个记忆密集型查询及其对应的记忆金字塔。智能体需要在有限的工具调用预算内回答问题。

奖励函数基于三个二元标准：格式有效性、答案正确性和记忆工具使用。奖励机制鼓励智能体通过使用记忆工具来给出正确答案，同时惩罚格式错误或答案不正确的行为。在训练中，由于面对的都是记忆密集型任务，使用记忆工具被视为一种期望行为。

这种训练方式使得终端奖励（最终答案的对错）能够共同优化答案生成质量和之前的记忆导航行为。智能体学会的不仅仅是如何回答问题，更是如何为了回答问题而智能地“翻阅”自己的记忆库。

实验验证：效果、效率与行为分析

为了全面评估NapMem，研究团队在六个基准测试上进行了实验，涵盖了长期用户记忆任务和非记忆任务。

记忆任务上的竞争优势

在三个记忆密集型基准测试上，NapMem展现了强大的竞争力：

• LoCoMo：测试长期会话记忆，包含多轮对话中的事实回忆。
• LongMemEval：评估长期交互记忆，包括单会话回忆、多会话推理、时序推理等多种问题类型。
• PersonaMem-v2：专注于从长期的用户-智能体交互中理解隐式的用户偏好和人物设定，评估个性化响应选择能力。

实验对比了包括Mem0、Zep、MemOS、MemoryOS以及另一个基于RL的记忆智能体AgeMem在内的多个基线，且全部使用 Qwen3.5-9B 作为 base LLM。

结果显示，经过RL训练的NapMem-9B模型在平均得分上取得了最佳成绩。特别是在LongMemEval和PersonaMem-v2上，NapMem获得了所有评测系统中的最高分。这表明，经过训练的智能体能够有效应对不同场景下的用户记忆需求，包括事实回忆、跨会话推理和隐式偏好理解。

保留通用能力，避免“记忆滥用”

一个值得关注的问题是：专门训练智能体使用记忆，会不会导致它在不需要记忆的任务上也“画蛇添足”地调用记忆工具，从而影响其通用推理和工具使用能力？

为了验证这一点，研究者在三个非记忆任务上进行了测试：

• GPQA-Diamond：一个研究生级别的、高难度的科学推理多项选择题基准。
• BFCL-v3：文本函数调用基准，测试智能体根据用户请求正确调用工具的能力。
• V*Bench：视觉工具使用问答基准，测试智能体在涉及图像的问答中正确使用视觉工具的能力。

结果如表2所示，NapMem-9B在非记忆任务上的表现与基础模型相比依然具有竞争力，甚至在GPQA-D和V*Bench的某些指标上有所提升。更重要的是，RL训练显著校准了记忆工具的使用。在GPQA-D上，未经RL训练的模型有34.51%的查询不必要地调用了记忆工具，而经过RL训练后，这一比例降到了6.90%。在BFCL-v3和V*Bench上，经过RL训练的模型则完全避免了不必要的记忆调用（0%）。这表明，强化学习帮助智能体学会了“何时该用记忆”，而不是简单地增加记忆访问。

效率分析：更少的存储，更快的推理

对于长期运行的对话智能体而言，存储和推理效率至关重要。

存储效率：尽管NapMem维护了四个层级的记忆结构，但其存储占用却低于大多数基线系统。这得益于其精心的设计：原始对话层保存证据，紧凑的记录层用于高效检索，而更高层的抽象（主题轨迹、用户画像）则以轻量的文件形式存储。这种分离使得NapMem在提供灵活导航能力的同时，保持了存储的可扩展性。

推理效率：尽管NapMem涉及多步工具调用，但其整体推理延迟却具有优势。如下图3所示，研究者比较了各方法在100个样本上的平均延迟和生成词元数。NapMem通过主动的、目标明确的记忆导航，往往在收集到足够证据后就停止，从而生成更短的补全文本，最终带来了更低的延迟。相比之下，被动检索的基线模型需要处理所有检索到的上下文，可能导致更长的生成和更高的延迟。

图3：主动导航使NapMem在收集到足够证据后即停止，从而生成更短的文本和更低的延迟。

消融实验：各组件如何贡献？

为了理解NapMem各个组成部分的作用，研究者进行了系统的消融实验：

1. 无导航：用被动检索替换基于工具的主动导航，但保留相同的底层记忆源。性能显著下降，证明了查询条件化的工具使用优于被动检索。
2. 仅记录工具：保留工具接口，但限制智能体只能访问紧凑的记忆记录层，无法查看原始对话或高层抽象。性能也出现下降，表明高层级抽象（主题轨迹、用户画像）对低层证据访问起到了重要的补充作用。
3. 无上层级别：允许访问原始对话和记忆记录，但移除主题轨迹和用户画像层。性能低于完整版，再次印证了高层记忆的价值。
4. 无RL训练：保持完整的记忆金字塔和工具，但仅使用基础模型，不进行强化学习训练。性能与完整版存在明显差距，这表明智能体确实从学习如何使用记忆接口中受益，而非仅仅依赖提示。

这些消融实验证实，记忆金字塔的结构、基于工具的主动导航接口以及针对导航策略的RL训练，三者共同构成了NapMem有效性的基石。

工具使用行为洞察

对智能体导航行为的深入分析，揭示了其学习成果和一些有趣模式：

模型规模影响导航起点：如图4所示，不同规模的NapMem模型在发起记忆导航时，首选工具有所不同。更大的模型（如122B、397B）更倾向于从read_file（读取高层文件）开始，即先浏览主题轨迹或用户画像，获取全局背景。而较小的模型（9B）则更多地从search_records或search_conversations开始，即先寻找局部的、具体的证据。一种可能的解释是，更大的模型更有能力吸收和理解长形式的记忆文件，而较小的模型则从更短、更目标明确的证据开始受益。

图4：模型规模越大，越倾向于从阅读高层摘要文件开始导航。

RL提升导航效率：如表5所示，RL训练使记忆导航更加精准和高效。经过训练的NapMem-9B模型，平均工具调用次数（2.15次）远低于未训练的版本（3.97次），但达到了更高的整体准确率。同时，其“多层级导航率”（即使用超过一个记忆层级的样本比例）与未训练版本相当，而“证据命中率”（即返回的工具结果中匹配支撑证据的比例）则显著更高。这说明RL训练让智能体学会了更精准地检索，并在收集到足够证据后适时停止，而不是进行冗余的探索。

总结与展望

NapMem框架代表了一种思维范式的转变：它将长期用户记忆从一个被动的、系统管理的上下文来源，重新定义为一个智能体可以主动探索、学习的结构化动作空间。通过构建多粒度的记忆金字塔，并提供相应的工具接口，NapMem使记忆的使用变得显式化和可优化。

实验表明，这种主动导航的方法在多种记忆密集型任务上具有竞争力，同时能很好地保留智能体的通用能力。其效率优势和可解释的导航行为，也为构建更实用、更可信的长期对话智能体提供了新思路。

当然，这项工作也存在一些局限。例如，评估主要在现有基准测试上进行，可能无法完全覆盖现实世界中开放式的个性化交互；对隐私保护和记忆遗忘等实际部署中重要问题的探讨还不够深入；更大规模的模型研究可能进一步揭示模型大小与记忆访问策略偏好之间的关系。

未来的工作可以沿着多个方向展开：探索更复杂的记忆结构和导航策略；研究在严格隐私约束下的记忆使用；将主动记忆导航的能力与更广泛的智能体决策过程相结合。NapMem为我们打开了一扇门，让我们看到，记忆不仅可以被“存储”和“检索”，更可以被“导航”和“运用”。这或许是迈向真正拥有“记忆”的人工智能伙伴的关键一步。

> 本文由 Intern-S2 等 AI 生成，机智流编辑部校对

-- 完 --

机智流推荐阅读：

1. ‍

2. 

3. 

4.