面向准确与高效角色 AI 的认知启发式情景记忆架构

大型语言模型在对话系统中为历史人物提供了潜力，但现有方法面临一个关键权衡：简单的检索增强生成产生浅层响应，而多阶段反思在实现深度方面却代价高昂。我们提出了一种架构，通过离线数据增强和来自结构化情景记忆的高效并行检索来解决这一矛盾。我们的系统将生物数据转化为 1,774 条带有情感语义元数据的增强式第一人称记忆，然后采用两阶段检索实现 0.52 秒的 prompt 生成。使用 LLM 作为评判者和 RAGAs 指标进行评估显示，我们的方法在 GPT-4 上与传统 RAG 保持持平，同时在较小的模型（GPT-3.5、GPT-3）上显著优于它，表明该方法在资源受限的部署方面具有特别价值。除了对话之外，结构化记忆还 enables novel 可视化工具：时空热力图、情感轨迹分析和交互式路径跟踪，将该系统定位为既是对话接口也是生物分析研究工具。我们以梵高为测试案例，但该架构对任何拥有大量文本记录的历史人物都具有可通用性，为需要准确性和效率的教育、博物馆和研究应用提供了实用框架。