聊天记忆拆成事件、情绪、时间三份存

长期陪伴型 AI 助手最容易暴露的问题不是答不上话，是记性乱：把上周的抱怨和三个月前的约定搅在同一条记录里，回忆起来驴唇不对马嘴。10 月 27 日提交的 ETAMem 给出了拆解方案，两个长期记忆基准上都有明确涨分。

一、发生了什么

论文先给现有记忆系统点了两个毛病：一是信息纠缠，异质内容混在粗粒度的记忆单元里；二是组织错配，只按语义相似度归档，别的关联全丢了。ETAMem 的做法分三步。第一步异质解析：把对话拆成原子记忆单元，并单独标出情绪类信息——一句「这周太累了」里既有个事实成分又有情绪成分，混存就会两头都检索不准。第二步分视图组织：把单元排进三个互补的层级视图——事件、情绪、时间，各自维护各自的结构。第三步检索：按查询特点用熵来分配各视图的检索预算，再在每个视图内做层级搜索。整个记忆结构增量维护，阈值自适应校准，不需要定期重建。

成绩在 LoCoMo 和 LongMemEval-S 两个基准上量出：相对当时的最强基线，准确率分别提升 12.46% 和 7.96%，token 开销保持有竞争力。论文还验证了三个视图互为补充，缺谁都不行。

这套设计对产品的意义在于增量维护：记忆结构随对话逐步长出来，阈值自适应校准，不必定期停机重建。对陪伴类产品来说，重建一次记忆库的代价不只是算力，还有用户「它怎么把我忘了」的信任损耗。至于三个视图分别占多少检索预算，按查询动态分配而不是一刀切，也是成本可控的关键。这是背景，不是论文结论。

二、跟你有什么关系

做陪伴或助理类产品的：用户流失常常不是模型笨，是记性乱，把情绪和时间从语义记忆里拆出来值得先试。

做记忆中间件的：单视图索引是行业默认做法，这篇提供了多视图的分账依据，检索预算可以按查询动态调。

写论文的：信息纠缠和组织错配这两个失败模式命名得很清楚，适合直接拿来当相关工作里的分类框架。

三、怎么用

1. 先审一遍自己的记忆单元粒度，一条记录里混着事实、情绪和时间的，先拆。
2. 建三个索引而不是一个，查询来了先估各视图的相关度，再按预算分配检索。
3. 用长对话公开基准先测基线，再测拆分后的差距，数据说话再上线，别凭感觉。
4. 检索预算做成动态的：问「上次聊到哪了」多花时间视图的钱，问「我最近心情如何」多花情绪视图的钱。

四、三个别信的说法

向量相似度就是记忆组织。 语义相似解决不了时间错位和情绪错位，论文的分析说明各视图缺一不可。

记忆越细越好。 拆成原子单元的前提是有配套的多视图组织，只拆不组织会更快检索崩溃。

涨分来自换更大的模型。 对比的是记忆系统之间的相对提升，结构改进不依赖模型升级。

五、一句话结论

好记性不是记得多，是拆得清：事件归事件，情绪归情绪，时间归时间。

信息来源

• 论文摘要：多视图记忆框架 ETAMem（arXiv），2026 年 10 月 27 日提交

功能与价格以官方公告为准。本文写于 2026 年 10 月 29 日。