Memory That Knows When It's Wrong

把对话变成有时间边界的结构化事实：事实变了就让旧的失效，而不是堆在一起；压缩丢掉了细节，就回原始对话里把它捞回来。

下面是一个可点击的演示。人物和对话都是虚构的示例数据，全部内置在这个页面里——它不连接任何服务，也不读取你的任何数据。页面底部是真实基准测试的数字。

演示

Alex

虚构人物

四段跨越两年的对话已经写入记忆。挑一个问题，看系统用了什么、跳过了什么、为什么。

回答

用了哪些记忆，为什么

三个设计选择

事实会过期

每条记忆是一行有类型的记录，键是 (主语, 谓语, 宾语)，带两条时间轴：事情何时为真，系统何时知道。同一个键出现新值时，旧值的有效期被关闭并标记为 superseded——不是删除，历史仍然可查。

压缩是有损的，所以留着原文

抽取会保住大意、丢掉细节。「助手推荐过一台咖啡机」是真的，却答不了「链接是多少」。原始对话存在同一个数据库里并建了 BM25 索引；只有当回答器明确说「需要原文」时才付第二次检索的代价。

也告诉你它没用什么

检索会同时返回命中的和被排除的，并给出原因：superseded（已经不成立）还是 below_rank（仍然成立，但分数没进前列）。后者才是排序出问题时该盯的那一半。

实测数字

方案（LongMemEval-S，dev50）	准确率	上下文中位 token
整段对话全塞进上下文	56.0%	109,260
朴素 RAG：对原始会话做向量检索	54.0%	13,057
只用结构化记忆	56.0%	1,415
结构化记忆 + 条件回原文	72.0%	1,455

这张表必须配着两句话读。 dev50 是开发集，提示词和阈值都是照着它的失败案例调的，所以 72.0% 同时也在衡量这些选择对它的拟合程度。真正没参与任何决策的 100 道题上，冻结并哈希后单次跑出 70.0%（其中 50.0% 靠结构化记忆、20.0% 靠原文兜底，上下文中位 1,468 token），另外两次重复是 71 和 73。而基线从未在那 100 道题上跑过——所以「结构化记忆追平朴素 RAG」这句话目前只有 dev50 的证据。