从 “备忘录” 到 “懂你的人”：QQ AI伙伴如何解决 AI 的认知记忆难题

现有的记忆考试，考的是“背”不是“想”

现有长期对话记忆基准，主体仍然是显式事实召回：相关的信息在早前的对话里被明确说过，之后的提问也和它有较强的语义对齐——你问“他叫什么名字、上次聊到几点、那个日子是哪天”，模型把明确出现过的信息复述出来，就算答对。即便 LoCoMo 里也有 open domain 这类需要跨过不明显语义关联的题型，在整个卷面里占比很小，而且本质上仍是“把记忆当作检索”：相关信息被假设为可以直接指认、可以语义匹配。

这样的设定能规模化评测，却也只覆盖了自然对话里很小一部分记忆行为。

现实中，一句恰当的回应，往往依赖一些从来没有人直接问过的东西：对方的处境、藏在话里的目标、没说出口的限制。比如一个多月前，你向 AI 提起过"我周末基本都留给家人，不太想安排社交活动"；今天你问它："同事约我这周休息的时候去爬山，你说我去不去？问题里既没有“周末”，也没有“家人”和“不想社交”，但一个真正懂你的 AI，应该想起你当初那句话，反问你一句：“你休息日不是说要留时间陪家人吗？还想去吗？”而不是顺着问题直接帮你把行程定下来。

这类依赖隐式约束的记忆，有个专门的名字——认知记忆（cognitive memory）:记住的不只是对话里明确说过的事实，还包括从对话中推断出来的用户状态、长期目标与价值偏好，并在合适的时机真正把它们用上。

问题在于，现有基准几乎测不到它：它们的判分看的是字面或语义相似，而这类题没有“可召回的事实”，单独看每个答案都说得通，恰当与否只取决于是否记得并遵守了更早的约束——用原来的考法，根本无从判起。

LoCoMo-Plus：把“记住了”和“会调用”分开考

这个空白，被一篇刚被 ACL 2026 主会议接收的论文正面填上：LoCoMo-Plus。

论文举了这样一个例子：一个用户正在备考，聊天时说过“想尽量减少干扰”。很久之后，他问：“我该不该开始追那部大家都在聊的新剧？”单独看这句提问，合理的回答有很多种——追就完了，放松一下也挺好；但真正的人会想到要提醒他还在备考这件事，尽管这句话本身跟“备考”毫无字面和语义的相似度。而这恰好是当前记忆系统的设计盲点：当需要召回的记忆和用户的发言没有字面或语义层面相似时，很难将这些具备深层关联的长期记忆召回。

这反而才是人形成认知记忆的方式：不是被问到才想起，而是在恰当的场合被不相干的一句话悄悄勾起。一个长期陪伴的 AI 想有“活人感”，缺的往往不是像备忘录一样忠诚地将过去的所有事件“归档”，而是这种认知记忆的能力。这个能力直接决定了它是“备忘录”还是“懂你的人”。

图 1｜LoCoMo-Plus：“事实性记忆评测”与“生物记忆更丰富的联想本质”之间的差距示意，也正是 LoCoMo-Plus 走向超越事实的认知记忆评测的出发点

构建一个基准来评测记忆系统的联想能力并不容易：这种题没法用“考查字面或语义相似的记忆能不能被找到”的套路生成。LoCoMo-Plus 为此设计了一套构造流程，把 cue 和对应的 trigger 问题从零写出，同时确保两者之间不留任何字面或语义相似线索，杜绝模型靠“看着眼熟”蒙对。一道真正考验认知记忆的题，就此第一次被系统地造了出来，这正是 LoCoMo-Plus 的核心贡献，也是论文标题"beyond-factual（超越事实）"的分量所在。

论文展示的实验结果也印证了这道新考题的分量：在认知记忆场景下，骨干大模型、检索增强方法、专门的记忆系统，表现全线走低。

表 1｜各系统在 LoCoMo 与 LoCoMo-Plus 上的表现（以上数据来自 LoCoMo-Plus 论文）

换一张卷子，认知记忆相较于事实记忆的分数全线跌去六七成；更值得注意的是，专门做记忆的 Mem0、A-Mem 并没有比通用模型更好——“记住事实”的能力，没法迁移到“遵守隐式约束”上。这正是这张新卷子的意义：让“谁真的具备认知记忆”第一次有了可以比较的答案。

T-Mem 的答案：写入时就为记忆铺好联想的线索

如果说 LoCoMo-Plus 把“认知记忆”从一种说法，变成了一道能被考出来的题，T-Mem 就是这道题的解法：前者负责把问题测出来、证明它确实没人答得上，后者负责把它真正解决掉。没有 LoCoMo-Plus，认知记忆无从被单独度量；没有 T-Mem，LoCoMo-Plus 指出的空白也一直空着。这项工作已被 EMNLP 2026 主会议接收，代码与数据现已开源。

为什么要在写入时做准备？认知科学里有一个经典概念叫“情景未来思维”（episodic future thinking）：大脑在记住一段经历的同时，也在为“这段经历将来可能被怎样想起”做着准备——人的记忆生来就不是档案馆，而是面向未来的。

T-Mem 的做法，正是把这一原理搬进工程：既然问题出在“该想起的时候想不起来”，那就在记忆写入时，为每条记忆和每个场景同时生成一组“将来可能会被怎样问起”的联想线索。（论文里叫 Triggers）检索时，问题先跟这些线索比对，而不是只跟记忆原文比对：线索命中了，对应的记忆就被翻出来。这样一来，字面毫不相干、语义确实相关的问题，也能唤起该想起的记忆。描述与联想两条检索路径、事实与场景两种粒度，都在这套设计之内。

图 2｜T-Mem 整体框架示意——写入侧为记忆预写触发线索，读取侧线索可直接参与检索

结果也印证了 LoCoMo-Plus 这套考卷的价值：

· 在 LoCoMo 上，T-Mem 达到 80.26%，刷新 SOTA，证明基础的事实记忆不输任何主流系统；

· 到了专测认知记忆的 LoCoMo-Plus，主流系统从 LoCoMo 跌落到 LoCoMo-Plus，平均要掉 28–50 个百分点；

· 而 T-Mem 只掉了 5.45 个百分点，74.81%依然刷新 SOTA。

图 3｜各系统从 LoCoMo 到 LoCoMo-Plus 的跨域落差对比柱状图

差距背后是一件事：LoCoMo-Plus 证明了认知记忆确实是主流方案的结构性盲区，T-Mem 证明了这块盲区可以被补上。两者放在一起，AI 长期记忆的评判标准才算真正迈过“复述”这道门槛——记忆不再等于背得出来，而在于该想起的时候，真的想得起。

T-Mem 作者团队来自腾讯 PCG，论文已被 EMNLP 2026 主会议接收，代码与数据现已开源。

以上工作的作者团队来自腾讯 PCG，主要贡献者包括郭伟东、王达凯、汪子轩、刘辉和徐羽等。该团队长期专注角色扮演领域的研究，在指令遵循、记忆等领域已经发表多篇论文，本文的工作已在相关项目中上线。

参考来源

T-Mem 代码与数据：https://github.com/Sherlockwz/T-Mem

T-Mem 论文：https://arxiv.org/abs/2606.15405

LoCoMo-Plus 代码与评估框架：https://github.com/xjtuleeyf/Locomo-Plus

LoCoMo-Plus 论文：https://arxiv.org/abs/2602.10715