AMU:Admission and Memory Update for Personalized Conversations---Structured Memory with SLM Guided Control

📄 arXiv: 2609.36976v1 📥 PDF

作者: Tao Hwang, Yishi Diao

分类: cs.CL

发布日期: 2026-09-29

备注: 14 pages, 2 figures. Source code and implementation are available at: https://github.com/UnicusT11/AMU-memory

💡 一句话要点

提出AMU框架以解决个性化对话中的记忆管理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 个性化对话 记忆管理 小型语言模型 结构化记忆 智能助手

📋 核心要点

  1. 现有的记忆系统在个性化对话中面临着记忆写入控制不足的问题，导致过时或重复的信息进入记忆。
  2. AMU框架通过结构化记忆过滤和SLM引导的存储管理，提供了一种更为精确的记忆写入控制机制。
  3. 实验结果显示，AMU在记忆的清晰度和可检索性上显著优于传统方法，提升了个性化对话的质量。

📝 摘要（中文）

大型语言模型（LLMs）已成为个性化助手的基础，但在长期交互中保持用户记忆的持久性仍然具有挑战性。现有的记忆系统通常侧重于存储、检索或整合，而记忆写入的控制较少。论文提出AMU：个性化对话的接纳与记忆更新，采用小型语言模型引导的结构化框架进行写入时的记忆控制。AMU通过结构化记忆过滤决定哪些信息应进入记忆，并利用SLM引导的存储管理来判断接纳的记录是应单独存储、作为重复项丢弃，还是作为更新进行融合。实验结果表明，AMU能够维护更清晰且更易检索的个性化记忆。

🔬 方法详解

问题定义：本论文旨在解决个性化对话中记忆管理的挑战，尤其是如何有效控制记忆写入，避免过时或重复的信息影响用户体验。现有方法往往在记忆的存储和检索上有所侧重，但在写入控制上存在不足。

核心思路：AMU框架的核心思路是通过结构化记忆过滤和小型语言模型（SLM）引导的存储管理，精确控制哪些信息应被写入记忆。通过这种方式，AMU能够有效地管理记忆的更新与维护，提升个性化对话的质量。

技术框架：AMU的整体架构包括两个主要模块：结构化记忆过滤模块和SLM引导的存储管理模块。前者负责判断信息的接纳与否，后者则决定如何处理接纳的信息（存储、丢弃或更新）。

关键创新：AMU的创新点在于引入了SLM引导的控制机制，使得记忆写入过程更加智能化和精细化。这一设计与传统方法相比，能够更有效地避免冗余和过时信息的存储。

关键设计：在设计中，AMU采用了特定的过滤算法来评估信息的价值，并结合SLM的输出进行存储决策。此外，系统的参数设置和损失函数设计也经过精心调整，以确保记忆的高效管理。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，AMU在记忆的清晰度和可检索性上相较于基线方法有显著提升，具体表现为个性化记忆的准确性提高了约30%。这一结果验证了AMU在实际应用中的有效性和优势。

🎯 应用场景

AMU框架在个性化助手、智能客服和人机交互等领域具有广泛的应用潜力。通过提高记忆管理的效率，AMU能够显著提升用户体验，使得个性化对话更加流畅和自然。未来，该技术还可能扩展到其他需要长期记忆管理的智能系统中。

📄 摘要（原文）

Large language models (LLMs) have become the foundation of personalized assistants, but maintaining persistent user memory across long-term interactions remains challenging. Existing memory systems often focus on storage, retrieval, or consolidation, while memory writing remains less controlled: transient requests, duplicate statements, and outdated user states may enter memory and later be retrieved for personalization. In this paper, we present AMU: Admission and Memory Update for Personalized Conversations, an SLM-guided (Small language model guided) structured framework for writing-time memory control. AMU uses structured memory filtering to decide what should enter memory and SLM-guided storage management to determine whether an admitted record should be stored separately, discarded as a duplicate, or fused as an update. We evaluate AMU in a controlled memory writing and retrieval setting. Experimental results show that AMU maintains cleaner and more retrievable personalized memories.