斯科尔科沃理工学院与Sberbank联手打造的AI"记忆管家"：让你的私人助手真正记住你

这项由俄罗斯斯科尔科沃理工学院（Skoltech）、俄罗斯联邦储蓄银行（Sberbank）和俄罗斯人工智能研究院（AIRI）联合开展的研究，发表于2026年的IEEE Access期刊第14卷，论文编号为arXiv:2506.17001。感兴趣的读者可以通过这个编号在学术数据库中找到完整原文。

你有没有遇到过这样的情况：你跟朋友倾诉了好几次自己不喜欢吃香菜，结果每次聚餐他还是替你点了有香菜的菜？要是换成AI助手，这个问题就更严重了——你告诉它你喜欢某种音乐风格、你有某种过敏、你的工作习惯是什么，但下次对话一开始，它就像失忆一样，对这一切一无所知。

这正是当前AI助手最让人抓狂的痛点。现有的AI大模型虽然知识渊博、能写能说，却没有一个可靠的"长期记忆"机制。它们要么完全依赖对话窗口里的文字，要么用一种叫做"检索增强生成"（RAG，可以理解为"带查资料功能的AI"）的技术来补充信息——这种技术虽然能帮AI查到相关资料，但资料之间是孤立存在的，AI无法看出其中的关联和逻辑脉络。

来自上述三家机构的研究团队决定彻底解决这个问题。他们提出了一个名为PersonalAI的框架，核心思路是给AI配备一个像图书馆一样结构化的"知识图谱记忆系统"，让AI不仅能记住信息，还能理解信息之间的关系，并且随时高效地找回需要的记忆。

一、为什么普通的"查资料"方式不够用

要理解这项研究的价值，先得明白现有方案的局限性在哪里。

把现有的RAG技术比作一个图书馆的话，这个图书馆里所有的书都被撕碎成一页一页，然后随意堆在一起。当你想查某个问题时，图书管理员会根据你的问题找出看起来最相关的几页纸交给你。这个过程的问题在于：那些散页之间的联系被切断了，你很可能拿到的是孤立的信息片段，而无法得到一个完整的、有逻辑的答案。更关键的是，如果你问的问题需要把几本书里的内容串联起来思考，这种方式就彻底失效了。

更糟糕的是，当用户和AI的交互越来越多、越来越复杂，这个"散页图书馆"会变得越来越难以管理。旧信息和新信息堆在一起，AI分不清哪些是用户已经改变的想法，哪些是过时的事实。这对于需要了解用户长期喜好、习惯和历史的个人化AI来说，简直是致命缺陷。

研究团队基于另一个名为AriGraph的架构（最初是为让AI在文字冒险游戏中导航而设计的），对其进行了大规模扩展，构建出PersonalAI框架。AriGraph的原始设计思路是让AI像一个真正的探险家一样，在探索过程中持续更新自己对世界的理解——记住走过的路，记住看到的事物，并把这些信息组织成一张可以随时查询的地图。PersonalAI将这个思路引入了个人化AI助手领域。

二、三种记忆类型：AI版的"工作记事本、日记本和百科全书"

PersonalAI最核心的创新是设计了一个多层次的知识图谱记忆系统。这个系统里有三种不同类型的记忆节点，它们各司其职，共同构成一个立体的记忆网络。

第一种叫做"对象节点"，专门存储具体的概念和实体，比如"苹果手机"、"小明"、"北京"这些独立的名词性概念。这些节点就像图书馆书架上的书脊标签，清晰地标注了每一个知识实体的存在。节点之间通过"对象边"连接，每条连接都携带着一段关系描述，比如"小明——拥有——苹果手机"，这就构成了一个知识三元组。

第二种叫做"论题节点"，存储的是完整的陈述句，比如"苹果手机的摄像头比三星拍出的照片更自然"。这类节点捕捉的不只是孤立的概念，而是带有完整语义的观点或事实。一个论题节点会通过"论题超边"与它所包含的多个对象节点相连，就像一条绳子把相关的珠子串在一起。

第三种叫做"情节节点"，存储的是原始文本片段，相当于对话或文档的原貌。每一段原始信息都作为一个情节节点存在，并通过"情节超边"与从中提取出来的所有语义节点相连。这相当于在图书馆里既保留了原始书页，又建立了详细的索引。

这三层结构的巧妙之处在于，它们同时提供了不同粒度的信息访问。当你想快速查找某个具体关系时，对象节点层就够用了；当你想理解某个复杂观点时，论题节点层提供了完整的语境；当你需要追溯原始信息来源时，情节节点层保留了完整的记录。

三、AI如何自动建造这张记忆地图

知道要存什么是一回事，知道如何自动从杂乱的文字中提取并存储这些信息，才是真正的技术难题。

研究团队设计了一个叫做"记忆构建流水线"的自动化过程。当新的文本信息进入系统时（比如用户说了一段话，或者AI读取了一篇文章），系统会依次执行几个步骤。

首先，AI会阅读这段文字，提取出其中包含的论题（完整的陈述句），并识别每个论题涉及的具体实体。然后，AI会进一步分析这些实体之间的关系，提取出具体的知识三元组。接着，系统会把新提取的内容与已有的记忆图谱进行比对，看看是否有内容需要更新——比如用户原来说喜欢吃辣，现在说最近身体原因要少吃辣，那么旧的偏好记录就需要相应更新。

更新过时信息的机制也很精巧。系统先找出新信息中涉及的实体，然后以这些实体为起点，在已有的图谱中做广度优先搜索，找出所有可能相关的旧记录，再让AI判断哪些旧记录与新信息存在语义冲突，需要替换。这就像档案管理员在归档新文件时，同时检查并更新旧档案，确保档案柜里不会同时存在矛盾的记录。

整个过程完全由AI自动完成，不需要人工标注或整理。实验数据显示，不同AI模型处理信息的速度和质量有所差异。在速度方面，GPT-4o-mini表现最快，平均每分钟能处理约1.86个文本片段；Llama 3.1 8B次之，约1.71个片段每分钟；而DeepSeek V3由于解析错误率高达31.21%，实际有效速度偏低。对比之下，Qwen2.5 7B和Llama 3.1 8B的解析错误率最低，均约为0.02%。

以规模来说，一个典型的记忆图谱是相当庞大的。以HotpotQA数据集为例，使用Qwen2.5 7B构建的记忆图谱包含约31795个论题节点、56078个对象节点，以及超过10万条各类边和超边。这相当于把将近4000段文本信息，精炼成了一张密密麻麻但条理分明的知识网络。

四、六种"寻宝策略"：在记忆迷宫里找到答案

有了这张庞大的记忆地图，下一个挑战是：当用户提问时，如何快速准确地从地图上找到相关信息？

研究团队设计并测试了六种不同的图谱遍历算法，每种算法都有自己独特的"寻宝策略"，适用于不同的情境。

第一种是A星算法（A\*），这是一种经典的路径搜索方法，就像导航软件找最短路线一样。系统把用户问题中的关键词对应到图谱中的节点，然后在节点之间寻找最优路径，沿途收集经过的所有知识三元组。研究团队还测试了三种不同的路径评分方式：一种基于节点向量的内积（类似于用"方向相似度"来判断路是否走对了），一种在此基础上乘以路径长度进行加权，还有一种则是综合考虑已走路径和剩余路径的平均加权距离。

第二种是WaterCircles算法，顾名思义，就像把石子投入水中，从问题实体对应的节点出发，以同心圆的方式向外扩展搜索范围。当从不同起点出发的扩展路径在某个节点相交时，该节点附近的信息就被认为特别重要，会被优先收录。这种方法的优势在于不需要计算向量相似度，因此速度极快——实验显示，使用WaterCircles的问答流水线平均只需0.3分钟，而A\*需要约3.24分钟，BeamSearch更是长达6.59分钟。

第三种是BeamSearch算法，灵感来自AI文本生成中的"束搜索"技术。从问题实体出发，系统同时维护N条候选路径（N是可调的超参数），每一步都根据路径与问题的相关性评分来决定哪些路径值得继续延伸。最终把所有优质路径上的知识三元组合并起来作为答案上下文。这个算法可以设置的参数非常丰富，包括最大搜索深度、最大路径数量、是否允许同一路径多次经过同一节点、不同路径之间是否允许共享节点或共享边，以及最终如何在"已终止的路径"和"仍在延伸的路径"之间取舍。

第四到第六种则是上述三种算法的两两组合——WaterCircles加BeamSearch、A\*加BeamSearch、A\*加WaterCircles。组合策略的逻辑很直观：不同算法可能抓住不同角度的相关信息，把它们的结果合并起来，就能降低遗漏重要信息的概率，提升答案的完整性。

五、三条"限制通道"：并非所有记忆都值得翻阅

除了六种搜索策略，研究团队还引入了另一个维度的调控：在搜索时，可以选择性地禁止算法经过某些类型的节点。具体来说，可以禁止经过情节节点（E限制）、禁止经过论题节点（T限制）、禁止经过对象节点（O限制），也可以完全不加限制（all）。

这个设计背后有很深的考量。不同类型的记忆节点，对于不同规模的AI模型来说，其"信噪比"是不同的。

对于规模较小的7B（70亿参数）模型来说，论题节点往往是最有价值的信息来源，禁止经过论题节点的配置，在低质量结果中占了约84%的比例；而高质量结果的配置中，约44%都包含了限制情节节点或对象节点的选项。这意味着对于小模型，情节记忆和对象关系反而容易引入噪音，让模型在复杂的上下文中迷失方向。

然而，对于规模更大的14B+（超过140亿参数）模型来说，情况发生了有趣的逆转。这类大模型有更强的噪音过滤能力，能够从冗长的情节信息中自行提炼出有用内容，因此论题节点对它们来说反而显得多余甚至干扰——在大模型的高质量配置中，约73%选择了禁止经过论题节点。

这个发现的实际意义在于：部署AI记忆系统时，应该根据所使用的AI模型规模来调整记忆访问策略。一刀切的做法会显著降低性能。

六、在三个不同"考场"上的表现

研究团队选择了三个性质各异的问答数据集来全面评估系统性能，每个数据集代表一种不同类型的信息需求。

第一个考场是DiaASQ数据集，这是一个关于移动设备用户评论的对话数据集，来自中文论坛，共包含4800对问答和3483段上下文。这个数据集模拟了个人化AI助手最典型的应用场景：用户讨论某款手机的摄像头、续航、外观等，AI需要从对话中提炼出用户的真实偏好。研究团队还对这个数据集进行了特别的扩展，加入了时间标注和内部矛盾陈述，以测试系统处理"随时间变化的信息"和"前后矛盾信息"的能力。

第二个考场是HotpotQA，共2000对问答和3933段上下文。这个数据集专门测试"多跳推理"能力——也就是说，要回答一个问题，需要把来自多个不同文档的信息串联起来。比如，要回答"张三出演的那部电影的导演是哪国人"，就需要先找到张三出演过哪部电影，再找到那部电影的导演是谁，最后找到这个导演的国籍。

第三个考场是TriviaQA，共500对问答和4925段上下文。这个数据集考验的是广泛的世界知识检索能力，问题类型是直接的事实性问答，比如"谁发明了电话"。

评估指标方面，团队没有采用传统的BLEU或ROUGE等字面匹配分数（因为这些指标难以区分语义相近但表述不同的回答），而是使用了"LLM-as-a-Judge"框架——让另一个AI（Qwen2.5 7B）来充当裁判，判断生成的答案是否正确，输出0或1的分数，然后统计准确率。同时也计算了精确匹配（Exact Match）分数用于与已有方法的横向比较。

七、各配置最终表现：谁表现最出色

在最终成绩汇总表中，呈现出了清晰的规律。

按LLM-as-a-Judge准确率来看，DeepSeek V3在所有数据集上的平均准确率达到了0.70，GPT-4o-mini紧随其后达到0.77（在HotpotQA上的0.77是单数据集最高分），而7B/8B规模的小模型中，Llama 3.1 8B以0.44的均值表现最佳，Qwen2.5 7B为0.27，DeepSeek R1 7B仅有0.19。

从检索算法的选择来看，BeamSearch在小模型配置中频繁出现在最优结果中，而大模型的最优配置则几乎清一色是BeamSearch与WaterCircles的组合策略。这说明BeamSearch在精细寻路方面有天然优势，但对参数设置极为敏感——配置稍差时，准确率可能暴跌24个百分点；而加入WaterCircles作为辅助后，这种敏感性显著降低，系统表现更加稳定。

有一个有趣的机制值得单独提一下，那就是"NoAnswer"机制。系统在提示词中加入了一条指令：如果检索到的上下文信息不足以回答问题，就输出一个特定的"信息不足"符号，而不是胡乱猜测。分析不同配置下触发这个机制的频率，可以看出哪种策略最擅长找到有用信息。8B模型在使用BeamSearch且限制情节节点的配置下，触发"NoAnswer"的频率最低，仅约40%；大模型使用无限制的BeamSearch+WaterCircles时，触发率也仅约26%。

八、与现有方法的较量：有所超越也有差距

研究团队将自己的最优配置与现有的RAG和GraphRAG方法进行了系统比较。

在HotpotQA数据集上，最优的PersonalAI配置（GPT-4o-mini + BeamSearch + WaterCircles，无限制）取得了60.0的精确匹配分数。对比当时的多个GraphRAG方法，包括ToG（41.0）、RoG（43.0）、GCR（45.9）等，PersonalAI的表现领先约14个百分点。这意味着在需要复杂多跳推理的任务上，有结构的知识图谱记忆确实比现有图谱方法更有优势。

在TriviaQA数据集上，PersonalAI（DeepSeek V3 + BeamSearch + WaterCircles，无限制）取得了62.0的精确匹配分数。与各类传统RAG方法相比，这个成绩低于在同数据集上专门微调过的Atlas模型（79.8）和RePLUG（77.3）等。不过研究团队指出，这些RAG方法的Reader和Retriever模块是专门针对该数据集训练的，享有明显的主场优势；而PersonalAI在设计上是通用框架，并没有针对任何特定数据集做专门的训练调整。

此外，研究团队还复现了另一个知名的图谱增强RAG方法HippoRAG，并在同样的数据集上进行了评测。结果显示，PersonalAI在DiaASQ上的LLM-as-a-Judge准确率（最高达0.50，与HippoRAG的0.53接近），在HotpotQA上的精确匹配（60.0对60.2）与HippoRAG基本持平甚至略有超越，说明PersonalAI达到了当前同类方法的竞争水平。

九、存储系统的选择也有讲究

这个研究还有一个很实用的发现，关于底层数据库的选择。

整个PersonalAI系统需要两种数据库配合工作：图数据库Neo4j负责存储知识图谱的结构（节点和边），向量数据库负责存储每个节点和三元组的语义向量表示（用于计算相似度）。向量数据库的性能对整个系统的响应速度影响极大，因为几乎每次检索都需要做大量向量相似度计算。

实验完成后，研究团队评测了五种主流向量数据库：Milvus、OpenSearch、Weaviate、Elasticsearch和Qdrant。结果显示，Qdrant是其中读写速度最快的，而且比主实验中使用的Milvus快了整整六倍。更重要的是，使用Qdrant存储的向量数据，每个记忆图谱只需约4到6GB的磁盘空间，而使用Milvus则需要80到90GB。这种存储效率的差异，在实际部署中意味着显著的成本节约。

因此研究团队明确建议：在实际部署PersonalAI时，优先使用Qdrant作为向量存储后端，以获得最佳的速度和存储效率。

归根结底，PersonalAI这项研究做了一件非常有价值的事情：它把"让AI真正记住你"这件事，从模糊的愿景变成了一套可以系统测试、可以按需调配的工程框架。研究团队发现，没有一种万能的记忆和检索配置适合所有情况——对于能力较弱的小模型，要让它集中精力处理结构化的论题信息，别给它太多原始文本去消化；对于能力强大的大模型，反而可以放开限制，让它从更丰富的上下文中自行判断哪些有用。BeamSearch几乎在所有高性能配置中都扮演了核心角色，但它对参数设置极为敏感，而与WaterCircles结合后，这种脆弱性大幅降低。这些发现，对于任何希望构建真正个性化AI系统的工程师和研究者来说，都是相当直接的参考指引。

如果你对这套系统的技术细节感兴趣，或者想了解完整的实验数据，可以通过arXiv编号2506.17001查阅原始论文，获取所有提示词模板、超参数设置和数据预处理细节。

Q&A

Q1：PersonalAI框架中的知识图谱和普通的检索增强生成（RAG）有什么区别？

A：普通RAG就像把文档撕成散页堆在一起，找信息时只能靠关键词匹配取出孤立的片段，相互之间的联系断掉了。PersonalAI的知识图谱则把信息组织成网状结构，节点之间有明确的关系标注，还区分了三种记忆层次——具体概念、完整观点陈述和原始文本片段，让AI既能快速找到特定关系，也能理解复杂观点的完整语境，更适合需要多步推理的复杂问题。

Q2：PersonalAI支持的六种检索算法各有什么适用场景？

A：WaterCircles速度最快（平均0.3分钟），适合对响应时间要求高的场景，但精度相对有限。A\*算法居中（约3.24分钟），适合需要找最短关联路径的任务。BeamSearch最慢（约6.59分钟），但在精细检索上表现突出，缺点是对参数设置非常敏感。实验结果显示，对于大模型来说，BeamSearch与WaterCircles的组合是最稳定的选择，兼顾了准确性和抗干扰能力。

Q3：PersonalAI框架里的"NoAnswer"机制是什么，为什么重要？

A：NoAnswer机制是在系统提示词中加入的一条指令，要求AI在检索到的信息不足以回答问题时，输出特定的"信息不足"符号而非强行猜测。这个机制很重要，因为它能防止AI在没有依据时生成错误但听起来像真的答案。通过统计不同配置触发这个机制的频率，研究者可以判断哪种检索策略真正找到了有用信息，从而辅助优化系统配置。