试想一下，假如你跟一位 AI 助手时常聊天。聊得久了，你不光会跟它念叨自己的事，还会顺嘴冒出一些奇奇怪怪的"小癖好"：咖啡只肯喝冰的、写东西必须用"你"绝不用"您"、周末从不开闹钟、看见香菜就像看见敌人……这些零零碎碎的讲究，你平时未必当回事。
有回你随口嘟囔了一句：我看见香菜就烦，宁可这顿饭不吃，也别往里撒那玩意儿。几周后，在一个完全不相干的对话里，你问它"今晚做点啥吃"，它是兴致勃勃给你整一锅香菜拌牛肉，还是记得你这桩"血海深仇"，自觉换了道菜？
这看似是些鸡毛蒜皮的怪习惯，却是判断 AI 有没有真把你当"老熟人"的一把尺子：你随口冒过的那些小癖好、小讲究，它在之后完全不相干的对话里，能不能一直替你记着、顺着来，而不是翻篇就当没听过。
「用户偏好」：用户希望被如何对待
在上一期拆解的 LongMemEval 考卷里，紧挨着「用户事实」的下一类考点，叫「用户偏好」。它考察的是：用户在交互中主动表达过的稳定的倾向性，模型能否在后续对话中准确记住并持续应用。
在 LongMemEval 的题库中，「用户偏好」与「用户事实」的根本分野在于指向不同：事实指向用户自身的静态属性，偏好则可以是动态变化的，它按对象可归为若干维度：
❖表达取向：关乎回答的呈现方式；
❖生活方式取向：涵盖饮食禁忌、作息习惯等日常约束与选择；
❖物品与品牌取向：涵盖用户对装备、品牌、材质的倾向性选择；
❖内容取向：涵盖用户希望侧重或回避的话题领域。
这些倾向由用户明确说出，但陈述随意、常随某一轮对话一闪而过，且往往隔了多轮甚至数月、在全新话题里才被检验。
在 LongMemEval 测评中，红熊 MemoryBear在“用户偏好”这一科同样拿到了 100% 准确率，30 道题全数答对。换句话说，当用户表达过某种偏好，MemoryBear 能在之后的互动里稳定地把这个偏好用上，而不是重置或记错。
「用户偏好」这类考点，难在哪？
主要难在以下三点：
首先，偏好不像事实那样"硬"
事实能直接核对，比如"我养了两只猫"；偏好是用户明确说出口、却往往很随意的一句话，比如"我用索尼的镜头""我吃素"。这类信息在长对话里不突出，而且常在某一轮顺口提过就翻篇，之后换了话题，很容易被埋没。
其次，AI不仅要“记得”偏好，还得用上它
用户事实被问到才答就行，偏好要求 AI 在生成每一条新回答时，主动把记下的偏好套上去，而不是等用户再提醒一遍。很多系统记得住，却不会主动用。
在 LongMemEval 里，这类题也不是"复述对不对"的硬判分，而是由评判模型按量表来打分：看你的新回答有没有真正用上记下的偏好。所以拿走分的关键，是"用没用对"，而不只是"记没记下"。
第三，偏好的"适用范围"要准确把握
一个人可能时而要严谨、时而要通俗，系统得分清这是他的长期口味，还是仅这一次任务的要求。记错了比记漏更尴尬：把临时要求当成铁律，或者把长期习惯在关键时刻丢掉，体验就断了。
在真实考卷里，这类题目同样嵌在 LongMemEval 的长背景中：约 11.5 万 token、跨数月的聊天记录里，用户的偏好往往只在某些轮次顺口提过，之后换了话题，看 AI 是否还在默默沿用。
比如考卷里常见的一类：用户早先提过自己买过一个充电宝，后来问手机续航该怎么办，好的回答会把"带个充电宝"自然织进建议里，而不是给一份千篇一律的通用指南。能不能把那句随口的偏好，在新问题里用对地方，正是这类题的考点。
MemoryBear解题思路：结构化记忆
很多系统的做法是：要么把整段历史对话重新塞回模型，要么用向量检索召回语义相近的片段。这两种路数，在"偏好"上尤其吃力。
整段塞回，偏好被海量内容淹没，而且模型不会主动把它当成"必须遵循的约束"；向量检索靠语义相似度，而"用户要短"这类偏好，和后续某个具体提问在语义上常不直接相关，召回不到，更谈不上主动套用。
MemoryBear 的解题思路，是把偏好当成"带适用范围、可主动调用的结构化记忆"来管理，而不是把对话塞进向量库就完事。具体分几步：
⦿摄取阶段：对话进来时，系统实时把"偏好"结构化抽取出来，打上"类型=偏好"的标签，并额外标注适用范围：这是长期习惯，还是仅本次任务的要求。你那句"我喜欢要点式的回答"，会被落成一条带适用范围标签的偏好记录。
⦿组织阶段：这些偏好记录被单独建档。长期偏好挂到用户节点上，临时要求挂到当次会话节点上，可检索、可溯源，不再是散落在大段文本里的一句闲话。
⦿调取阶段：在生成新回答之前，系统会主动把当前适用的偏好召回，作为生成时的约束条件，而不是等用户再说一遍。
⦿作答阶段：阅读器基于召回的偏好来调整输出风格；如果记忆里没有相关偏好，就走默认风格，而不是瞎编一个用户没说过的偏好硬套上去。这条"没有就按默认、不替你发明偏好"的底线，是 MemoryBear 避免误用的关键。
真正拉开差距的，是 MemoryBear 把偏好从"存档"推进到了"前置"：它不是等用户再提一次才照做，而是在每次生成回答之前，先把适用的那条偏好调出来当作约束。几周前提过的"要要点式"，在全新的话题里照样生效；哪些该跨场景沿用、哪些只限当下，系统也分得清。
记住一个事实，是 AI 从"答得对"走向"像熟人会记你"的起点；记住一份偏好，才让它真正像个认识你很久的搭档。MemoryBear 用结构化、带适用范围的记忆，在这类考点上同样做到了满分。
下期我们继续拆解 LongMemEval 的下一类考点：知识更新。它考的是，当你改了主意、换了信息，AI 能不能同步把旧的那版丢掉，而不是抱着过时的内容不放。
AI记忆科学100问，我们下期见。
