腾讯开源了一个 AI 记忆架构，叫 T-Mem，思路挺反常识的。
一般系统存记忆只记录"这是什么"——你说了压力大，就存一条"用户提到压力大"。等下次有人问"最近工作怎么样"，它才想起来去翻。
T-Mem 在写入的时候就多做一步：让 LLM 预判这条记忆将来可能被哪些看起来不相关的问题用到，把这些关联线索一起存成索引。
这个区别在陪伴型 AI 和数字人上最明显。用户某天随口一句"最近压力大"，两周后换一句完全不同的"陪我聊聊"，能不能被唤起，靠的就是当初有没有埋下那条关联。
它给了实测数字：标准 LoCoMo 上准确率 80.26%，换到更难的 LoCoMo-Plus 上是 74.81%，掉了 5.45 个百分点。
对比 HyperMem：标准 LoCoMo 上 77.01%，到 LoCoMo-Plus 上直接掉到 48.63%，掉了 28.38 个百分点。
也就是说，T-Mem 在两个测试集之间的落差小得多。这一点比单纯跑分高低更说明问题——关联索引这种设计，在问题变刁钻时不那么容易崩。
它内部是四个触发器、2×2 矩阵：两种证据粒度（原子事实 Item、完整对话段 Scene），两种回忆类型（描述性、关联性）。
做 agent 长期记忆的可以去看一眼。存的时候多想一步，比检索的时候使劲优化便宜。
显示更多
话题来源 @aigclink
1.4K阅读 ❤️12
