导读：

针对多角色学习伴侣场景下记忆共享缺乏隐私边界、检索排序单一、注入记忆易诱发幻觉的问题，提出一种分层记忆检索与反幻觉方法：设计learning/casual/emotional三级可见性模型，实现学习记忆跨角色共享、情绪记忆隐私隔离；提出融合相似度、重要度、时间衰减与模式加权的检索排序，结合低分阈值实现无关查询拒绝；构建记忆注入的反幻觉约束。在408考研场景合成评测集上，方法Recall@5达0.91、正确拒绝全部无关查询(6/6)，跨角色私密记忆泄漏由29~44降至0；加入grounding规则后误引率由40.0%降至13.3%。

作者信息：

刘锦海, 王 波*, 张卓越, 周 晏：嘉兴南湖学院信息工程学院，浙江 嘉兴

论文详情

系统与方法

系统采用“多角色 LLM 对话层 + 混合记忆层 + 检索与注入层”的三层结构(如图 1 所示)。

记忆被划分为三种类型(learning，即学习类；casual，即日常类；emotional，即情绪类)，其跨角色可 见性规则如表 1 所示：

其中sim为中文嵌入模型的余弦相似度；importance为记忆抽取阶段按0~10分级规则自动评定的重要度； exp(− ⋅∆ λ t) 为指数时间衰减(λ = 0.05)，抑制久远记忆；mode_boost 按对话模式对记忆类型加权(学习模式 下 learning 为 1.2、casual/emotional 为 1.1，见表 2)，使不同模式下检索偏好不同记忆。

表 3 与图 2 对比了三种基线与本文方法：

如图 3 所示，min_score 在 0.35~0.60 区间内召回与 MRR 保持不变(Recall@5 = 0.91)，空命中率在 0.60 处达 100%；升至 0.70 后召回明显下降(0.59)。这说明 0.60 是兼顾召回与拒绝的合理阈值，方法对阈值在 较宽区间内稳健。

表 4 与图 4 通过逐模块去除，验证了各组成部分的作用：

超参数敏感性分析。为对方法设计作进一步论证，本文对两类关键超参数进行敏感性分析(图 5)。

表 5 汇总了反幻觉评测结果(自然度采用 1~5 分制评分，分数越高越自然)。

本文评测基于合成构造的评测集，与真实对话数据仍存在分布差异，这是合成评测基准的固有局限。

本文面向多角色 AI 学习伴侣场景，提出三级记忆可见性模型、加权检索排序与无关拒绝、以及记忆 注入反幻觉约束。离线评测表明：该方法在召回与基线相当的前提下，实现无关查询的完全拒绝(6 条无 关查询全部被拒绝)与跨角色私密记忆零泄漏；消融实验验证了时间衰减、重要度加权、模式加权与隐私 分级各模块的明确贡献；grounding 规则将记忆误引率从 40.0%降至 13.3%。

未来工作包括：开展真实学习者的小规模用户研究，验证系统在实际使用中的记忆相关性体验与角色切换时的连续性感知；扩大评测语料并引入记忆抽取质量评测；探索检索与生成端到端联合优化，以 及将多角色记忆可见性模型推广到更广泛的教育与陪伴场景。

基金项目：

浙江省大学生创新创业训练计划项目“基于大模型的风格化学习助手”(s202513291028)

doi：

https://doi.org/10.12677/csa.2026.1610317