情感参与的有状态记忆（EASM）：面向大规模超个性化的架构
人工智能
2026-05-15 v1 人机交互
摘要
当前的语言模型系统在跨会话间本质上是无状态的，限制了其随时间推移个性化交互的能力。尽管检索增强生成与微调提升了知识获取与领域能力，但它们无法实现对个体用户的持久理解。我们提出了一种情感参与的有状态记忆架构，该架构在推理时利用长期历史、情感信号和推断意图，动态构建特定于用户的对话上下文。为了评估其影响，我们在跨越六个情感上截然不同的类别、包含三十次非脚本化对话中进行了对照 A/B 测试，两种条件均使用相同的底层语言模型。在所有评估场景中，记忆增强条件始终优于无状态基线。最大的提升体现在记忆锚定（提升 95%）、计划清晰度（提升 57%）和情感验证（提升 34%）。即使在涉及悲伤、痛苦和不确定性的情感对抗性对话中，结果依然保持一致。这些发现表明，有状态的情感记忆可能构成超个性化 AI 系统的基础设施层，尽管仍需在更大规模、更多样化的评估中进行更广泛的验证。
引用
@article{arxiv.2605.14833,
title = {Emotion-Attended Stateful Memory (EASM):The Architecture for Hyper-Personalization at Scale},
author = {Vineet Kotecha and Vansh Gupta},
journal= {arXiv preprint arXiv:2605.14833},
year = {2026}
}
备注
18 pages, 3 figures, 3 tables. Industry research whitepaper. Includes controlled A/B evaluation across 30 scenarios and 6 emotional categories