论文页面 - Personalize-then-Store: Benchmarking and Learning Personalized Memory for Long-horizon Agents

来源：https://huggingface.co/papers/2605.25535

摘要

基于大语言模型的记忆系统可以通过适应个体用户上下文的个性化策略获益，但精确实现仍具挑战性。

现有基于大语言模型（https://huggingface.co/papers?q=large%20language%20model）（LLM）的记忆系统（https://huggingface.co/papers?q=memory%20systems）采用通用的静态策略，忽略了一个基本事实：值得存入记忆的上下文因用户而异。这种错位浪费了有限的记忆预算（https://huggingface.co/papers?q=memory%20budget）在短暂交互（https://huggingface.co/papers?q=transient%20interactions）上，同时无法为长期任务（https://huggingface.co/papers?q=long%20horizon%20tasks）保留关键上下文。为解决这一差距，我们探索了一个尚未充分研究的问题：基于LLM的记忆系统（https://huggingface.co/papers?q=memory%20systems）能否学习个性化记忆策略（https://huggingface.co/papers?q=personalized%20memory%20policies）？我们引入了PerMemBench（https://huggingface.co/papers?q=PerMemBench），这是首个评估个性化记忆系统（https://huggingface.co/papers?q=memory%20systems）的基准，包含跨多年、多领域、跨不同用户角色的交互历史。我们进一步提出了首个记忆个性化的实证研究，提出了会话级存储门控（https://huggingface.co/papers?q=session%20level%20storage%20gating），一个轻量级框架，可选择性地绕过短暂会话的记忆操作。我们的研究证实，在完美门控下个性化能带来显著的留存增益，但揭示出精确门控仍是一个开放且关键性的挑战。

查看arXiv页面（https://arxiv.org/abs/2605.25535）查看PDF（https://arxiv.org/pdf/2605.25535）GitHub1（https://github.com/yeonjun-in/PerMemBench）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.25535）

在你的智能体中获取此论文：

hf papers read 2605.25535

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

无模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2605.25535 即可从本页链接。

引用此论文的数据集0

无数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.25535 即可从本页链接。

引用此论文的 Space0

无 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2605.25535 即可从本页链接。

包含此论文的收藏0

无收藏包含此论文

将本篇论文添加到收藏（https://huggingface.co/new-collection）即可从本页链接。