A Framework for Dynamic Memory Management and Personalized Agent Decision-Making in Retrieval- Augmented Generation
本文介绍了 DMAP-RAG，这是一个通过集成树状结构的双存储架构和个性化智能体决策，以在多轮对话连贯性和用户满意度方面实现具有竞争力的性能，从而增强检索增强生成（RAG）的框架。
原始论文采用 CC BY 4.0 许可（https://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
在快速发展的人工智能领域，大型语言模型在生成类人文本、回答问题和进行对话方面已变得异常出色。然而，这些系统面临着一个根本性的局限：它们拥有静态的知识库，无法通过对话自然地增长或适应。当用户在数天或数周内进行一系列提问时，模型往往会忘记早期的细节，将每次交互视为全新的开始，并且无法记住用户已经了解的内容或偏好。为了解决这个问题，研究人员开发了将这些强大的语言模型与外部数据库相结合的方法，这种方法被称为检索增强生成（RAG）。这使得人工智能能够在回答之前查找事实，但即使是这些改进后的系统，也往往难以在长对话中保持连贯的故事性，或无法根据个人用户的特定需求和学习风格来定制其回复。
来自中国河池学院和马来西亚英迪国际大学的研究团队提出了一个新的框架，旨在修复这些特定的缺陷。他们将该系统称为 DMAP-RAG，这是一个将动态记忆管理和个性化决策集成到检索过程中的结构。研究人员并没有将对话视为简单的过去消息列表，而是构建了一个像生长树一样的系统，将最近的交互与长期历史区分开来。这使得人工智能既能记住聊天的即时上下文，又能以结构化的方式存储几天或几周前的总结性事件。此外，该系统会在用户交谈时主动构建用户画像，记录他们的知识水平、偏好的学习风格以及感兴趣的领域，并利用该画像来决定如何搜索信息以及如何组织最终答案的措辞。
研究人员在多种不同的场景下测试了这个框架，包括学术研究问题、复杂的跨步推理任务，以及一个专门为教授计算机编程而构建的数据集。在这些测试中，新系统始终优于标准方法。当被要求根据科学论文回答问题时，它达到了 78.9% 的得分，较现有方法有了显著提升。在需要跨多个文档连接信息的测试中，它达到了 66.1% 的知识准确度得分。或许最值得注意的是，当人类评估员评判对话质量时，他们对该系统保持主题一致性和逻辑连贯性的评分达到了 4.4 分（满分 5 分），对其实现回复个性化能力的评分达到了 4.3 分。这些结果表明，通过赋予人工智能一种结构化的记忆方式和一种理解对话对象者的特定方式，该系统可以提供更自然且更有帮助的指导。
这一改进的核心在于系统如何处理记忆。研究人员没有将所有过去的对话以扁平、无序的列表形式存储，而是创建了一个双重存储系统。其中一部分充当短期缓存，保存对话的最后十次交换，以确保人工智能理解即时上下文。当对话暂停或结束时，系统会将这些交换内容进行总结，并将其移动到长期记忆库中。这个长期库并非简单的文本文件夹；它是以树状结构组织的，相关主题会从彼此之间分支出来。如果用户今天询问一个特定概念，并在下周返回询问一个相关问题，系统可以通过导航这棵树来找到其中的联系，而不是迷失在无关数据的海洋中。这种结构有助于人工智能避免在对话中断后遗忘对话脉络的常见问题。
除了这个记忆系统，研究人员还实现了一个能够持续更新用户画像的模块。随着用户的交谈，系统会寻找关于其背景的线索。如果用户询问有关基础概念的简单问题，系统会推断他们是初学者。如果他们使用技术术语或询问复杂的调试问题，系统会提升对其专业程度的评估。它还会追踪他们的学习偏好；如果用户对类比或视觉描述反应良好，系统会将此记录为“视觉学习者”。这个画像不是静态的，它会随着每一次交互而成长和变化。当系统准备回答问题时，它会咨询这个画像来决定如何组织回复的措辞，从而确保初学者得到简单的解释，而专家则收到详细的技术分解。
该框架的最后一部分是一个作为操作大脑的智能体决策核心。在生成答案之前，该组件会决定系统是需要查找信息，还是可以直接根据已知内容进行回答。它会权衡诸如问题的复杂程度、用户的知识水平以及当前对话状态等因素。如果需要搜索，系统会重写用户的查询，以使其在搜索时更有效，将原始查询与用户画像及近期历史结合起来。这确保了检索到的信息不仅与输入的文字相关，而且是为特定的人量身定制的。一旦收集到相关信息，系统就会将其综合成一个连贯、准确且个性化的最终回复。
在一个涉及学生学习 C 语言的特定测试案例中，这个新系统与旧方法的区别变得清晰可见。当一名自认为是视觉学习者的学生询问为什么函数有时无法改变一个值时，标准系统给出了一个枯燥的技术定义，解释什么是“按值传递”。然而，新系统记得该学生是一名视觉学习者，并且之前讨论过指针。它通过一个关于书本和复印件的类比来进行回答，解释说函数是在对书本的副本进行操作，而不是对原件进行操作。这个回答不仅正确回答了问题，还将其与之前的学习内容联系起来，并调整了讲解风格以适应学生的需求。人类评估员对该回复的连贯性和个性化程度的评分显著高于其他模型的回复。
研究人员承认，这种方法比简单的系统需要更多的计算能力，因为它涉及维护复杂的记忆结构和运行额外的决策步骤。然而，他们发现，在现代硬件上，增加的计算成本是在可控范围内的。该系统也有局限性，例如从零开始建立可靠用户画像所需的时间，以及目前仅处理文本的事实。尽管存在这些约束，这项研究仍表明，将结构化记忆与个性化智能体决策相结合，为未来提供了一条充满希望的路径。通过赋予人工智能在语境中记忆以及适应个体的能力，这些系统正朝着成为教育、技术支持和长期对话中真正有用的伙伴迈进。
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。