User as Code: Executable Memory for Personalized Agents
本文介绍了“用户即代码”（User as Code, UaC）这一范式，该范式将个性化智能体记忆表示为可执行的 Python 代码而非非结构化文本，从而通过确定性计算，在聚合历史数据、解决矛盾以及主动执行安全规则方面实现卓越性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
以下是关于“用户即代码”（User as Code）论文的解释，采用了通俗易懂的语言和创意类比。
核心理念：从“便笺盒”到“活性的软件应用”
想象一下，你正试图记住关于朋友杰西卡（Jessica）的所有事情。
旧方式（目前的 AI 记忆）：
现在的 AI 存储记忆就像是一个装满便利贴的鞋盒。
- 你写下事实：“杰西卡喜欢香菜”、“杰西卡讨厌香菜”、“杰西卡对青霉素过敏”。
- 当你问 AI：“杰西卡对什么过敏？”它会在盒子里翻找，找到关于青霉素的便笺，然后读给你听。
- 问题在于： 如果你问：“杰西卡去年去了多少次国际旅行？”AI 必须阅读每一张便笺，逐一计数，并在脑中进行计算。它经常会迷失方向、漏掉便笺，或者因为“阿莫西林”和“青霉素”这两个词没有出现在同一张便笺上而无法将它们联系起来。这就像是试图通过仅仅阅读一堆收据来进行复杂的会计核算。
新方式（用户即代码 - UaC）：
作者提出了一种名为**“用户即代码”（User as Code, UaC）的新系统。AI 不再构建一个便笺盒，而是为杰西卡构建一个专门的、活性的软件应用**。
- 状态（数据库）： AI 不再创建便笺，而是创建“类型化对象”（类似于数字文件夹）。它有一个
护照文件夹、一个行程文件夹和一个医疗文件夹。在医疗文件夹内，它不仅仅写下“青霉素过敏”；它会创建一个结构化的条目，显示：药物类别：青霉素，严重程度：严重。 - 规则（逻辑）： AI 还会编写一些会自动运行的小型计算机程序（函数）。其中一个程序可能会说：“如果开具了新药，检查其药物类别是否与现有的过敏记录匹配。”
它是如何工作的：两阶段工厂
论文描述了一个将混乱的对话转化为这种整洁软件的两步过程：
- 第一阶段：记录员（记忆）
每当杰西卡与 AI 交谈时，一个“记录员”会倾听并将每一个事实记录为一个原始的、未经编辑的列表。它永远不会删除任何内容。如果杰西卡说：“我去看过朴医生处理过敏问题”，记录员会写下：[日期] 用户因过敏问题就诊于朴医生。
- 类比： 这就像法庭速记员正在打字记录审判过程。没有任何信息被丢失，目前也尚未进行总结。
- 第二阶段：架构师（结构化）
定期，一个“架构师”（智能 AI）会阅读整个原始事实列表，并将其重写为这个整洁的软件应用。它会将事实组织到护照和医疗文件夹中，并编写用于检查冲突的程序（约束条件）。
- 类比： 这就像一名图书管理员将一堆未分类的书籍整理成一个完美的、可搜索的目录，并配有一个可以瞬间计算统计数据的计算机系统。
为什么这改变了一切
论文声称，这种转变让 AI 能够完成“便笺盒”方法难以胜任的三件事：
1. “数学”问题（分析性推理）
- 场景： 你问：“杰西卡在 2025 年去了多少次国际旅行？”
- 旧方式： AI 必须搜索“旅行”相关的便笺，猜测哪些是国际旅行，进行计数，并祈祷自己没有漏掉任何一个。它经常失败（在测试中准确率仅为 43%）。
- 新方式： AI 只需要运行一行简单的代码：
统计所有年份为 2025 且 is_international 为 True 的行程。它能瞬间完美地得出答案（准确率 99%）。这就像是用机器统计罐子里有多少硬币，与用手数一堆硬币的区别。
2. “主动性”问题（主动服务）
- 场景： 杰西卡在 1 月份提到了青霉素过敏。到了 10 月，她提到正在服用阿莫西林。她从未问过：“这安全吗？”
- 旧方式： AI 会等待提问。除非你问“阿莫西林是否影响我的过敏症？”，否则它不会建立联系。
- 新方式： “架构师”编写了一条规则：“每当医疗列表发生变化时，检查药物冲突。”一旦 10 月份的记录被添加，计算机程序就会运行，发现冲突，并立即弹出警告：“关键警告：您正在服用一种青霉素类药物，但您对青霉素过敏！”
- 类比： 旧系统是一个被动的图书馆；新系统是一个智能家居安防系统，能在火灾发生前发出警报。
3. “矛盾”问题
- 场景： 杰西卡在一次聊天中说她喜欢香菜，但在另一次聊天中说她讨厌香菜。
- 旧方式： 便笺盒里有两个相互矛盾的便笺。AI 会感到困惑。
- 新方式： 软件应用拥有一个单一的
偏好对象。当新事实进入时，代码会更新该对象以反映最新的事实，或者标记冲突以供审查。它保持了记忆的整洁和一致。
结果：论文的研究发现
作者使用标准基准测试将此系统与其他记忆系统进行了对比：
- 基础记忆： 在处理简单问题（如“我的护照号码是多少？”）时，新系统与现有最优秀的系统表现相当（准确率约为 79%）。
- 复杂数学： 在需要计数或平均值的问题上（如旅行示例），新系统几乎是完美的（99%），而其他系统则表现糟糕（下降至 6–43%）。
- 安全警报： 在测试 AI 是否能在未被询问的情况下发现危险（如药物过敏）时，新系统捕捉到了 100% 的标准危险。其他系统由于在等待提问，因此错过了许多情况。
- 成本： 在开始构建“软件应用”时成本稍高，但一旦建成，提问过程非常便宜且快速。如果你向同一个用户提问很多次，新系统会比旧方式便宜得多。
总结
论文认为，我们不应该再将 AI 记忆视为一个被动的文本存储箱，而应该将其视为一个主动的软件项目。通过将用户的历史记录转化为可以运行、检查和计算的代码，AI 将能够更好地进行数学运算、发现隐藏的危险并掌握全局，而不仅仅是检索孤立的事实。
简而言之： 我们不再是要求 AI 去“记住”一切，而是给它一个运行在用户生活之上的程序，该程序会自动检查模式并实时发出警报。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。