一套“少加工、多保真”的轻量级长时记忆方案

AML 在邀请函里提到，我们在"新值覆盖与当前状态判定"（54.50）和"矛盾检测与冲突消解"（24.79）两个细项上位列全榜第一。

这里需要先说清一件事：

ActiveMemoryIndex 的存储层只有 CREATE 和 INSERT OR REPLACE 两种 SQL 动作，没有一条 UPDATE，没有一条 DELETE。 系统从不更新记忆、不合并、不让旧记忆失效、不检测矛盾、不做冲突消解。写进去的每一条永远有效，彼此完全平权。

所以那两个第一，是在没有任何治理机制的情况下拿到的。

这不是谦虚，是这篇文章的起点。我们手上有一个可以公开的旁证：本期榜单上确实有系统实现了治理——FlowGrid 会标注冲突、给旧值降权但不删除，它在自己的 README 里测出陈旧值泄漏率 0.53，而它的记忆治理轴得分 却并不高；我们完全不做治理，得 37.95，最高。

如果这不是巧合，它说的是：治理的价值在于真正改变"返回什么"，而不是改变分数排序。 标注和降权把判断责任留在中间层，却没有能力承担——旧值仍然进入上下文，只是排得靠后一点，阅读模型照样读到。而把完整、带时间戳、未经改写的原始记录交给阅读模型，让它自己判断哪条还有效，反而更稳。

这是一个假设，不是结论。但它解释了这个系统为什么长成现在这样。

ActiveMemoryIndex 的名字来自底层研究 *An Index, Not a Store: The Model Does Remember — It Just Needs Its Notebook*，两个词对应研究的两半。

Active 指的是写进权重的记忆。 论文的主体是在线权重级学习——用 LoRA 适配器把新知识逐轮直接写进一个本地 9B 模型的权重，让模型本身成为存储，检索是从权重里唤起回忆。这才是"主动记忆"的原意：记忆不是躺在外部索引里等人来查，而是变成模型的一部分。

Index 指的是外部索引。 双写存储加 register-matching 检索，这套 Add/Search harness 当初是为了在 InMind 基准上测量那个权重级系统而造的对照工具。

赛事规则要求 gpt-4o-mini 是 Add 和 Search 期间使用的唯一模型。于是论文里最强的配置（9B 骨干 + LoRA r=32）、EWC 正则、Benna-Fusi 级联、按用户划分的权重分区，全部被排除在提交之外——不是我们放弃了，是这个契约在结构上容纳不了权重级记忆。

我们拿去参赛的，是当初用来做测量的仪器，不是被测量的东西。

这一点也值得 AML 知道：当前契约把"模型即存储"这一整类架构排除在外了，榜单目前测量的是外部索引这一族。固定生成模型才能公平比较记忆系统，这是对的；只是它同时划定了覆盖面。

写入：双写。 每个 Add 请求的消息存两份。一份是逐字原文，前面加 [YYYY-MM-DD HH:MM] 时间戳、按 role 标注说话人；另一份是 gpt-4o-mini 从整块里抽出的第一人称原子事实。两份用同一个本地嵌入模型编码，写进同一张 SQLite 表，在返回 200 之前完成提交——契约要求写入后立即可检索。

检索：把问题改写成用户自己的口吻。 语料是第一人称聊天记录，而问题是第三人称提问（"John 打算做什么"），两者不在同一个语域。我们让 gpt-4o-mini 把问题改写成用户回忆自己的句子（"我说过 John 的打算吗"），再把它的嵌入和原查询的嵌入融合起来排序。

需要明确说明：这就是 HyDE（Gao, Ma, Lin, Callan, 2022, arXiv:2212.10496）N=1 的情况。因为 (1-w)·(q·d) + w·(r·d) = ((1-w)q + w·r)·d，加权相似度和嵌入平均是同一个操作，w=0.5 正是论文里的默认形式。我们独有的只是那个 prompt——生成回忆问句而非假想答案。

返回：原文优先。 选出的 100 条按"逐字原文在前、抽取事实在后"排列，各自内部保持相关度顺序。这一步只改顺序、不改集合。

没有的东西： 图、层级摘要、实体消歧、记忆治理。

配对检验：原文优先 vs 相关度序，+141/−67，p < 0.0001，四个类别全部提升。

三个我们自己造了又拿掉的部件：

关于父块那 7.8 分。 把命中项所在的整块 20 条消息一起返回得 .711。但一个等预算对照让它出局：把父块砍到和基线相同的字符数，它只有 .572，比基线低 6.1 分。粗粒度单元本身是负贡献，全部收益来自 5.4 倍的内容量——而内容量能涨，是因为契约的 top_k只限条数不限大小。

我们还发现在这个契约下体积和粒度不可分离：100 条上限下，用单条消息最多凑到约 12.4k 字符；想返回更多文本，就必须把"一条记忆"定义得更粗。这条路的极限是合法的退化解——一段 LoCoMo 对话约 40 块，全返回就是逐字交出整段对话，条数 40 ≤ 100。

所以 .711 测量的不是记忆能力，是我们被允许花掉多少阅读器上下文。这里有一个给 AML 的具体建议：在条数上限之外增加 token 上限，或在榜单上把 tokens/query 与准确率并列公布。 先例是 TREC QA 把答案串从 250 字节收紧到 50 字节，理由完全相同——每一个同时提交两种长度的机构都是 250 字节得分更高。

以下是真实运行的输出，不是示意。

输入 —— 平台发来的一个 Add 请求（LoCoMo conv-2，节选 6 条消息）：

值得注意：抽取出来的事实和原文高度重叠，很多只是把第一人称转成第三人称的转述。这正是后面那些消融结果的来源——抽取是有损的改写，它的净贡献只有 0.9 分，而代价是每次写入一次 LLM 调用。

检索 —— 平台发来问题：

已经完成、等下一期 full 评测验证的：邻居窗口。

每条命中的原文连同它前后各一条一起返回。邻居占用同一批 100 个名额，所以这是在固定预算内换一种花法，不是多塞内容——来源块从 26.2 降到 20.9，字符只多 8%。

实测 .6333 → .6802，+4.7 分（n=1540，配对 +141/−67，p < 0.0001），其中时序类提升 5.3 分。半径 1、2、3 之间统计上无法区分，我们取 1，因为它每个种子只占 3 个名额、保留最多广度。

同一个例子，开窗之后：

单独一条消息常常不自足：代词的指代、对方的那一句、会话的日期，都在相邻轮次里，而阅读模型无法还原从未发给它的东西。

这一条要谢 InvMem。 我们是读了本期开源文本榜第一名公开仓库里那行 MEMORY_RESULT_WINDOW=1，才回头发现自己错误地否掉了一整族技术——我们从"父块在等预算下更差"推出"广度是硬约束"，然后用它排除了所有扩展返回单元的做法。正确的说法是：广度在极端处有约束，在中间区间没有。相邻上下文在这张榜上并不罕见，第 10 名 aml-memory-mvp 有 adjacent-turn expansion，第 8 名 FlowGrid 给相邻证据加分。

如果这是一张只公布分数的闭源榜，我们至今不会知道自己漏了什么。

接下来真正要攻的是时序。

C 轴（时间与事件序列）是我们最弱的一项，18.35。而整个开源榜集体困在 18–24.6，工业榜前两名是 56–60。这不是我们一家的问题，是这一类方法的共同边界。

我们读过的公开参赛系统处理时间的方式是：把时间戳当前缀贴在文本上、正则抓年份、或者按插入时间做指数衰减。这些都不是时序推理。我们计划做的是写入时把相对时间表达解析成绝对时间，并给事实加版本——"上周"在写入时就该被锚定成具体日期，而同一状态的新旧值之间应该有先后关系。它同时打 C 和 A（时间锚定错了，事实召回也跟着错），而且它在写入层，正是我们从来没碰过、整个开源榜也集体空白的那一层。

有意思的是，这会把我们推向 AML 邮件里最初描述的那条路线。区别在于，那句描述现在还不准确；如果将来准确了，是因为我们真的去建了它。

另外两件在评估中的事：

一是抽取通道要不要留。它只值 0.9 分，却是每次写入的固定成本。如果一个更轻的写入路径能拿到同样的分，那就该换掉。

二是权重级那一半继续做。它不能进这张榜，但它是这条研究路线的主体。

ActiveMemoryIndex 由 Xuhao Lin（林栩皓） 提交，独立研究者，非公司、非机构。

实际的工作方式是一人加一个 AI 协作者（Claude）：代码、实验设计与本文初稿在协作中产生，全部实验在自有硬件上执行、由作者核验，所有取舍——上线什么、放弃什么、哪些分数不要——由作者判断。

这个分工不是形式上的，比如：

作者否决了父块那 7.8 分，因为像是在作弊。

本文记录的错误里有两处是 AI 协作者犯的：把一个在极端点上成立的结论外推到中间区间（因此漏掉了邻居窗口），以及在给子智能体的指令里喂进偏差（导致对同一批数据 51% 与 24% 两个互相矛盾的噪声估计）。而促成最大一处改进的观察——去读第一名仓库里那行配置——来自作者。（作者：所以作者最大的作用是让 AI 去学习？！）

一份声称"由 AI 协作完成"的技术报告，如果不说明协作在哪里出错、又在哪里被人纠正，那份声明就没有信息量。

引用与致谢：HyDE（arXiv:2212.10496）、query2doc（arXiv:2303.07678）、passage-level evidence（Callan, SIGIR 1994）、LoCoMo（arXiv:2402.17753）、AML 公开评测代码，以及本期开源榜上所有公开了代码的同行。

口径： 榜单分数（44.84，开源榜第 3）对应提交时的版本，不含邻居窗口——那是榜单公布后补上的，要到下一期 full 评测才会反映到榜上。文中其余数字来自我们自己的离线复现（公开 locomo10 数据、本地裁判、n=1540、每臂 2–3 次重复），与 AML 评测是两把不同的尺子，应作为配置之间的排序参考，不与榜单分数直接换算。全部实验数据在仓库 bench/results/，每个数字都可以用仓库里的命令重跑。