从检索到重建：面向长期对话的可演化认知记忆架构

arXiv 一篇论文提出 CogMem 认知记忆架构，用于长期对话中的 LLM 记忆。它基于 PEC²F（Person-Event-Concept-Claim-Fact）图结构，用 Claim 节点保存主观陈述的来源与目标，用 Fact 和 Event 节点表示语义与情节知识。对话轮次被逐步转为带来源信息的图记录，并整合为更高层事实；当同一来源出现冲突更新时，调和为带时间范围的 Claim 视图。检索由 LLM 意图解析驱动的规则控制器执行四种图算子，在 LoCoMo 与 LongMemEval 上表现较强，尤其多跳、时序和知识更新任务。

传统 RAG 把记忆当作被动存储，难以区分带来源归属的主观信念与无归属的事件/事实记录，也难跨会话连接分散证据。CogMem 把来源归属和知识更新纳入记忆结构，并改用确定性图算子重建上下文，在知识更新与多跳任务上报告了更强表现，指向记忆系统从“检索片段”转向“重建结构”的路线变化。

其机制是把对话增量写入带来源信息的 PEC²F 图：Claim 保留主观陈述的来源与目标，Fact 与 Event 承载语义和情节知识；记录随后被整合为更高层事实，冲突更新按时间范围调和为 Claim 视图。检索阶段由 LLM 解析意图，规则控制器组合锚定、遍历、交叉和证据接地四种确定性图算子，重建与查询相关的上下文，而非仅做相似度匹配。

对做长期对话、客服记忆或个性化助手的团队，这意味着记忆层可引入来源归属和时间范围，缓解用户偏好被误当作客观事实、以及旧信息覆盖新信息的问题。规则化图算子比纯向量检索更可解释和可测试，但需要额外维护图结构、整合流程和意图解析，增加工程与存储成本，产品需评估其在真实延迟与规模下的收益。

• 在多轮客服或陪伴类产品中，试点用 Claim/Fact 分离存储用户主观偏好与客观事实，验证冲突更新场景的准确率。
• 将四种图算子封装为可观测的检索 API，提供每次回答的证据来源链路，用于企业合规与人工审核场景。
• 基于公开代码仓库 CogMem 复现 LoCoMo、LongMemEval 实验，评估自有多轮数据上的多跳与时序任务增益。

• 论文报告的结果是否在公开基准之外的行业数据集上同样成立，尚未确认。
• 图结构的增量写入、整合与调和在长对话和高并发下的延迟与存储成本未给出证据。
• 论文中的语义崩塌探针具体定义与结论细节未被证据完整披露。
• 代码仓库的可用性、许可与可复现程度尚未在证据中确认。