Gated Memory：面向对话式 AI 的准入式记忆形成机制

一篇 arXiv 论文提出 Gated Memory，针对对话式 AI 长期记忆的形成阶段：在抽取前设置准入闸门，结合完整话语上下文判断候选事实是否应入库，并对准入内容做条件化补全，包括实体范围分类、隐私约束、原子化拆分、来源标注、适用条件与时空锚定。作者称该阶段此前缺乏原则性关注，并在 LoCoMo-10 基准上测试。

此前长期记忆研究多集中在检索、去重与生命周期管理，而事实首次写入存储的“形成阶段”几乎未被系统处理。论文指出，永久属性与临时情境等上下文信号只在原始话语中存在，一旦被抽取成主语-关系-宾语三元组便不可逆丢失，下游无法恢复。

机制是在对话与存储之间插入两个决策检查点：准入闸门用完整话语上下文评估每个候选事实，仅评估当前轮次并将历史轮次作为只读参考，输出结构化形成记录；条件化补全则按实体范围分类，为原子事实标注直接陈述或推断的来源、适用条件，并解析时间与地点，同时约束不得断言上下文中不存在的实体。

对记忆类产品，这意味着写入策略需从“抽取即存储”转为“先判定后写入”，在抽取前引入闸门与来源、条件、时空元数据，可减少临时情境被误存为永久属性，提升可信度与可解释性。代价是增加写入前处理与隐私范围约束，需在产品流程与存储结构上配合。

• 在记忆写入链路前置准入判定模块，对候选事实做保留或丢弃决策，并记录判定依据供审计。
• 为已存记忆补充来源标签与适用条件字段，区分用户直接陈述与系统推断，支持后续纠错。
• 在隐私敏感场景按实体范围约束可断言实体，避免记忆系统引入上下文之外的实体信息。

• 论文在 LoCoMo-10 基准上的完整实验数值、对比基线与消融结果尚未在给定证据中披露。
• 准入闸门与条件化补全带来的延迟、成本与工程复杂度缺乏量化说明。
• 该框架在非情绪密集型日常对话中的表现是否有差异，证据未覆盖。
• 实体范围分类与隐私约束的具体实现方式及合规边界未在证据中说明。