基于时间线记忆管理的终身对话代理

为实现终身人机交互，对话代理需要不断记忆感知到的信息，并在响应生成（RG）中正确检索它们。虽然先前研究致力于消除过时记忆以提高检索质量，但我们认为这些记忆为RG提供了丰富且重要的上下文线索（例如用户行为的变化）。我们提出了THEANINE，一个面向基于大语言模型的终身对话代理的框架。THEANINE放弃记忆删除，通过基于记忆的时序性和因果关系将其链接来管理大规模记忆。借助这种链接结构，THEANINE将记忆时间线（代表相关过去事件演变或因果性的一系列记忆）augmented至RG中。我们随同THEANINE一起引入了TeaFarm，一种基于反事实驱动的评估方案，解决了G-Eval和人类评估在评估代理将过去记忆整合到RG中的性能时的局限性。THEANINE和TeaFarm的数据可在https://huggingface.co/spaces/ResearcherScholar/Theanine获取。