【论文阅读】Agent 记忆机制（83）：Inside Out——用可演化 PersonaTree 构建 Agent 的核心长期记忆

文章目录

前言
零、论文基本信息
一、背景：长期个性化为什么不能只靠"记得更多"
- [1. Full Context 的上限](#1. Full Context 的上限)
- [2. 向量记忆的碎片化](#2. 向量记忆的碎片化)
- [3. 静态 Persona Profile 的问题](#3. 静态 Persona Profile 的问题)
[二、相关工作：Inside Out 改变的不是检索器，而是记忆接口](#二、相关工作：Inside Out 改变的不是检索器，而是记忆接口)
- [1. 长期记忆系统](#1. 长期记忆系统)
- [2. 个性化对话](#2. 个性化对话)
- [3. 与普通知识图谱的差别](#3. 与普通知识图谱的差别)
三、方法总览：从对话流到可演化用户状态
四、PersonaTree：用稳定树干约束无限增长
- [1. 为什么需要 schema](#1. 为什么需要 schema)
- [2. 可控增长并不等于固定内容](#2. 可控增长并不等于固定内容)
- [3. 对话分块](#3. 对话分块)
五、四类原子操作：让记忆更新变得可执行
- [1. ADD](#1. ADD)
- [2. UPDATE](#2. UPDATE)
- [3. DELETE](#3. DELETE)
- [4. NO_OP](#4. NO_OP)
- [5. 为什么要把更新限制成操作语言](#5. 为什么要把更新限制成操作语言)
六、安全执行与版本化：模型不直接修改数据库
七、MemListener：让小模型专门负责听取和维护记忆
- [1. 训练数据怎样得到](#1. 训练数据怎样得到)
- [2. SFT：先学会合法地"说操作语言"](#2. SFT：先学会合法地“说操作语言”)
- [3. 为什么还需要过程奖励 RL](#3. 为什么还需要过程奖励 RL)
- [4. 关键训练配置](#4. 关键训练配置)
八、自适应回答：树负责稳定状态，历史负责细节证据
- [1. Fast Mode](#1. Fast Mode)
- [2. Agentic Recall and Fusion](#2. Agentic Recall and Fusion)
- [3. Router 的工程意义](#3. Router 的工程意义)
九、实验设置
- [1. 数据集与任务](#1. 数据集与任务)
- [2. Baseline](#2. Baseline)
[十、主实验：PersonaTree 是否优于完整历史与现有记忆系统](#十、主实验：PersonaTree 是否优于完整历史与现有记忆系统)
- [1. 改进集中在哪些能力](#1. 改进集中在哪些能力)
- [2. 仍然存在的异常和边界](#2. 仍然存在的异常和边界)
十一、MemListener：小模型真的能承担记忆维护吗
十二、消融实验
- [1. Fast Mode、Router 与完整 Agentic 模式](#1. Fast Mode、Router 与完整 Agentic 模式)
- [2. 直接生成操作还是先抽取再转换](#2. 直接生成操作还是先抽取再转换)
- [3. SFT 与 RL](#3. SFT 与 RL)
十三、超参数、效率与鲁棒性
- [1. 对话块窗口](#1. 对话块窗口)
- [2. 跨抽取模型鲁棒性](#2. 跨抽取模型鲁棒性)
- [3. 多维能力分布](#3. 多维能力分布)
十四、失败案例与证据边界
- [1. 只依赖树会丢失长尾细节](#1. 只依赖树会丢失长尾细节)
- [2. 固定 schema 会形成认知边界](#2. 固定 schema 会形成认知边界)
- [3. 覆盖式 UPDATE 可能抹平时间结构](#3. 覆盖式 UPDATE 可能抹平时间结构)
- [4. 极少 DELETE 既是保守，也可能是滞后](#4. 极少 DELETE 既是保守，也可能是滞后)
[十五、与 Agent Memory 系列方法的横向比较](#十五、与 Agent Memory 系列方法的横向比较)
[十六、对 Coding Agent、Tool Agent 与 Multi-Agent 的启发](#十六、对 Coding Agent、Tool Agent 与 Multi-Agent 的启发)
- [1. Coding Agent：把项目记忆改造成可执行状态树](#1. Coding Agent：把项目记忆改造成可执行状态树)
- [2. Tool Agent：把长期配置与事件日志分开](#2. Tool Agent：把长期配置与事件日志分开)
- [3. Multi-Agent：由专用 Memory Agent 维护共享状态](#3. Multi-Agent：由专用 Memory Agent 维护共享状态)
- [4. 生产系统应补充的字段](#4. 生产系统应补充的字段)
十七、局限性
- [1. Schema 的覆盖范围有限](#1. Schema 的覆盖范围有限)
- [2. 当前状态表示缺少显式时间与证据](#2. 当前状态表示缺少显式时间与证据)
- [3. 训练依赖强模型合成与人工核验](#3. 训练依赖强模型合成与人工核验)
- [4. Judge 与任务标签的可靠性](#4. Judge 与任务标签的可靠性)
- [5. 评测规模与统计证据有限](#5. 评测规模与统计证据有限)
- [6. 隐私风险不因结构化而消失](#6. 隐私风险不因结构化而消失)
十八、我的理解与启发
- [1. PersonaTree 更像数据库中的 materialized view](#1. PersonaTree 更像数据库中的 materialized view)
- [2. 论文真正重要的是 write path，而不是 read path](#2. 论文真正重要的是 write path，而不是 read path)
- [3. 小模型维护记忆是很有潜力的系统分工](#3. 小模型维护记忆是很有潜力的系统分工)
- [4. 固定 schema 与开放世界之间仍有张力](#4. 固定 schema 与开放世界之间仍有张力)
十九、总结
参考资料

前言

长期对话 Agent 面临一个很现实的矛盾：用户会一直说下去，但模型上下文不可能无限增长。

最简单的方案是保存完整对话，需要时直接拼回上下文；更常见的方案是把历史切成片段，放进向量库，再按当前问题检索。前者很快遭遇 token 成本和噪声累积，后者虽然缓解了长度问题，却容易把"一个持续变化的人"拆成许多彼此孤立的事实。

例如，用户最初说自己喜欢热闹的旅行，几个月后因为工作压力开始偏好安静、小规模的活动。一个真正理解用户的系统，不应同时取回两条互相冲突的记录，也不应粗暴删除过去。它需要知道：哪些信息构成较稳定的人格特征，哪些是会变化的偏好，新的表达应当补充、更新还是撤销旧状态。

在此前的 Agent Memory 系列里，A-MEM 关注记忆之间如何自组织和建立链接，MemoryOS 关注多层存储与生命周期，MAGMA、CoM 等方法分别从多粒度组织和压缩角度控制长期上下文，ReMemR1 与 Mem²Evolve 则进一步讨论记忆怎样回访和演化。Inside Out 选择了另一条路线：它不再把长期个性化记忆视为不断扩张的"历史材料库"，而是视为一个需要持续维护的用户状态。

论文以 PersonaTree 作为这个状态的显式载体：树干由预定义 schema 约束，枝叶保存用户在生理、心理与社会层面的核心特征；新对话不直接追加为记忆，而是先被翻译成 ADD、UPDATE、DELETE 或 NO_OP 操作，再安全地执行到树上。为了让这一过程不依赖昂贵大模型，作者还训练了轻量 MemListener 专门负责记忆编辑。

本文的唯一核心增量可以概括为：

Inside Out 将无限对话中的长期个性化记忆，从"持续追加和检索文本"重新定义为"在理论 schema 约束下执行可解释原子操作的用户状态演化"，并用经过过程奖励强化学习的轻量 MemListener 稳定维护这棵 PersonaTree。

自适应生成、agentic recall 和训练细节都服务于这条主线：前者决定怎样消费这份状态，后者决定怎样低成本、可控制地更新它。

零、论文基本信息

论文名称：Inside Out: Evolving User-Centric Core Memory Trees for Long-Term Personalized Dialogue Systems
发表平台：Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics（ACL 2026 Long Papers）
代码仓库 ：MemTensor/InsideOut
作者：Jihao Zhao, Ding Chen, Zhaoxin Fan, Kerun Xu, Mengting Hu, Bo Tang, Feiyu Xiong, Zhiyu Li

一、背景：长期个性化为什么不能只靠"记得更多"

1. Full Context 的上限

完整拼接历史看似不会遗忘，但它把问题交给了模型的上下文窗口：

历史越长，推理和生成成本越高；
相关信息在长上下文中被大量无关内容稀释；
新旧偏好同时出现时，模型必须临时完成冲突消解；
"Lost in the Middle" 使信息存在于上下文中也不等于能被稳定利用。

更重要的是，Full Context 只有历史，没有显式的"当前用户状态"。每次回答都要从头重建用户画像。

2. 向量记忆的碎片化

向量检索把历史切成片段，解决了上下文容量问题，却引入另一种风险：记忆条目通常是孤立事实或摘要，系统缺少一个稳定的全局边界来说明：

什么信息值得长期保留；
新信息应该落在哪个属性上；
何时是补充，何时构成冲突；
旧信息是否仍有效；
用户画像怎样随时间形成连贯演化。

因此，"召回到相似文本"和"维护一致人格"不是同一件事。

3. 静态 Persona Profile 的问题

预先填写的年龄、职业、兴趣列表很容易使用，但它把 persona 当成固定配置。真实用户并不会一次性提供完整自我介绍，很多偏好、价值观、表达风格和情感模式只能从长期互动中逐步显现，而且会发生变化。

Inside Out 因此提出一个更接近状态管理的问题：

系统能否只依靠持续到来的对话，把隐含的用户特征压缩进一个有边界、可追踪、可修改的结构中，并在回答时保持个性一致？

二、相关工作：Inside Out 改变的不是检索器，而是记忆接口

1. 长期记忆系统

LangMem 将热路径中的记忆操作与后台整合分开；Mem0 使用多层记忆与图关系支持跨会话个性化；A-MEM 借鉴卡片盒方法，让新记忆自动索引、链接并触发旧记忆演化；MemoryOS 用短期、中期、长期层级模拟操作系统式资源管理。

这些方法主要回答"怎样存、怎样连、怎样检索"。Inside Out 更关注一个上游问题：对话进入记忆系统时，应该被编译成什么状态变化。

2. 个性化对话

传统 persona dialogue 往往给模型一组显式 persona sentence，再要求生成一致回答。后续方法扩展到用户画像、偏好建模和参数高效个性化，但很多设置仍假设 persona 已经给定、相对静态。

Inside Out 的输入不是现成画像，而是长对话历史。它必须先发现属性，再判断这条属性是新增、修正、删除还是不值得写入。

3. 与普通知识图谱的差别

PersonaTree 形式上是一棵层级树，但它不是把所有实体关系都结构化。它的根本目标是维护有限容量的用户核心状态，因此叶节点只保存压缩后的描述性字符串，树干则提供稳定的语义边界。

这意味着它主动牺牲开放关系表达能力，换取更新可控、结构可解释和推理上下文稳定。

三、方法总览：从对话流到可演化用户状态

阅读 Figure 1 时，需要沿三条链路看：左下角把历史对话转换为树操作，右上角训练 MemListener，右下角则冻结 MemListener 并用最终 PersonaTree 支持回答。

Figure 1：Inside Out 总体框架。 基于生物---心理---社会 schema 初始化 PersonaTree，从分块对话生成原子编辑操作，训练 MemListener，并在推理阶段以结构化记忆增强个性化回答。

整体流程可以拆成三部分：

Dynamic PersonaTree Evolution：初始化固定语义边界，将连续对话分块，逐块生成并执行树操作；
MemListener Training：先用 SFT 学会合法操作格式，再用过程奖励强化学习提升语义正确性；
Adaptive Response Generation：简单问题直接读取 PersonaTree，复杂问题再由树约束 agentic recall，从原始历史补充细节。

论文的问题定义也体现了这种变化。设用户历史为：

H = { x 1 , y 1 , ... , x t , y t } H=\{x_1,y_1,\ldots,x_t,y_t\} H={x1,y1,...,xt,yt}

其中 x t x_t xt 是用户输入， y t y_t yt 是系统回复。传统方案直接在有限窗口内估计：

P ( y t ∣ H t − k : t ) P(y_t\mid H_{t-k:t}) P(yt∣Ht−k:t)

Inside Out 引入显式用户状态 T t \mathcal{T}_t Tt，将任务改写为状态更新与状态条件生成：

T t = f update ( T t − 1 , D t ) \mathcal{T}t=f{\text{update}}(\mathcal{T}_{t-1},D_t) Tt=fupdate(Tt−1,Dt)

y t = f gen ( x t , T t , f recall ( T t , H ) ) y_t=f_{\text{gen}}\bigl(x_t,\mathcal{T}t,f{\text{recall}}(\mathcal{T}_t,H)\bigr) yt=fgen(xt,Tt,frecall(Tt,H))

D t D_t Dt 是当前对话块， f update f_{\text{update}} fupdate 负责更新树， f recall f_{\text{recall}} frecall 在复杂查询下从完整历史召回证据， f gen f_{\text{gen}} fgen 则同时利用当前问题、树状态和必要的历史细节生成回答。

这两个公式揭示了论文的关键分工：PersonaTree 不试图保存所有证据，它保存的是当前压缩状态；原始历史仍保留，必要时作为可追溯证据库使用。

四、PersonaTree：用稳定树干约束无限增长

1. 为什么需要 schema

如果让模型自由生成用户属性，树会不断产生近义节点、粒度不一致的字段和难以合并的分支。例如"喜欢跑步""运动偏好""健身习惯"可能被写到三个位置。

Inside Out 先用 Biopsychosocial Model 确定三类核心边界：

Biological：生理状态、外观、身体节律、感知等；
Psychological：认知、思维模式、自我感知、人格、情绪、态度等；
Social：人口统计、社会身份、家庭、动机、生活信念、行为与社会互动等。

树干和可写叶节点由 schema 规定，每个叶节点存储一个描述性字符串。schema 控制"能记什么"，字符串则保留比离散标签更丰富的语义。

2. 可控增长并不等于固定内容

树的语义空间相对稳定，但叶节点内容会被持续改写；扩展策略也允许在规定位置创建新 path。因此它不是静态 profile，也不是完全自由的知识图谱，而是介于两者之间：

稳定语义边界 + 动态叶状态 \text{稳定语义边界}+\text{动态叶状态} 稳定语义边界+动态叶状态

这正是"Inside Out"的含义：人格状态从内部核心结构向外生长，而不是把外部发生过的一切都堆进来。

3. 对话分块

历史被切分为连续对话块 ( D 1 , l d o t s , D N ) (D_1,ldots,D_N) (D1,ldots,DN)，每个块包含 w w w 个对话轮次。对每个 D t D_t Dt，系统加载旧树 T t − 1 \mathcal{T}_{t-1} Tt−1 和规则集 R \mathcal{R} R，生成操作列表 O t \mathcal{O}_t Ot，执行后得到新版本 T t \mathcal{T}_t Tt。

分块是重要超参数：块太小会丢失上下文，让模型把临时表达误写成稳定属性；块太大则混入多个主题，时间关系和关键变化会被稀释。

五、四类原子操作：让记忆更新变得可执行

1. ADD

ADD ⁡ ( p a t h , v a l u e ) \operatorname{ADD}(path,value) ADD(path,value)

当目标属性尚未记录时，在允许的 path 写入描述性文本。若扩展策略允许，也可以在指定 schema 下创建新路径。

例如，树中没有饮食限制，用户明确说"我现在对乳糖不耐受"，系统可以新增相应叶节点。

2. UPDATE

UPDATE ⁡ ( p a t h , v a l u e ) \operatorname{UPDATE}(path,value) UPDATE(path,value)

当叶节点已有内容，新对话对它进行补充、细化或修正时，使用覆盖式重写。新 value 必须整合仍然有效的旧信息，不能只留下最新一句。

这是四类操作中最核心的一种。论文完整数据统计中，UPDATE 有 5310 次，远高于 ADD 的 1248 次，说明长期个性化的本质不是不断收集新事实，而是持续校准已有用户状态。

3. DELETE

DELETE ⁡ ( p a t h , N o n e ) \operatorname{DELETE}(path,None) DELETE(path,None)

只有当对话明确说明某条旧信息已失效、被否定或应当移除时才删除。论文统计中只有 7 次 DELETE，说明它被设计为非常保守的操作。

这既减少误删，也暴露出一个问题：很多现实偏好不是被明确否定，而是逐渐过时。没有时间衰减或置信度机制时，系统可能长期保留已不准确的信息。

4. NO_OP

NO_OP ⁡ ( ) \operatorname{NO\_OP}() NO_OP()

当当前对话块没有值得进入长期核心记忆的信息时，不做任何修改。它是抑制噪声累积的关键门控，而不是"没有抽取成功"的错误状态。

5. 为什么要把更新限制成操作语言

结构化操作带来三个直接好处：

可验证：可以检查 path 是否允许、value 是否为字符串、格式是否合法；
可解释：每次状态变化都有明确动作类型；
可回滚：每次执行后持久化一个树版本，便于追踪演化。

相比让大模型直接输出一整棵新树，原子操作降低了无关节点被意外改写的风险。

六、安全执行与版本化：模型不直接修改数据库

操作生成后，解析执行层充当 safety gate：

检查 path 是否指向允许写入的叶节点；
检查 value 是否为字符串或合法删除标记；
对过长 value 进行压缩，满足单叶容量预算；
严格按操作执行，不在执行层做第二次语义改写；
将结果持久化成 JSON 文件或 JSON 数据库中的新版本。

这里有一个清晰的责任边界：语义冲突由 MemListener 在生成操作时处理，执行层只负责结构和容量安全。如果新旧信息冲突，模型要基于语义、时间顺序和叙事一致性决定保留什么。

这种设计比"解析器顺便合并文本"更容易审计，但也把很大压力放在操作生成模型上：只要模型错误理解了冲突，后端仍会忠实执行错误更新。

七、MemListener：让小模型专门负责听取和维护记忆

1. 训练数据怎样得到

作者从 HaluMem 和 PersonaMem 选择与隐式用户特征相关的数据，以动态 PersonaTree 更新流程为骨架，使用 DeepSeek-R1-0528 生成监督信号，再人工过滤：

非法操作语法；
错误 path；
语义不一致的写入。

最终构造约 28K 指令数据。论文使用 PersonaMem 15K 进行纯 SFT；在两阶段设置中，用 HaluMem 13K 做 SFT warm-up，再用 PersonaMem 0.5K 做过程奖励 RL。

这说明 MemListener 并非无监督从用户对话中自我成长。它依赖强模型合成、人工核验和已有 benchmark 数据，部署时只是把昂贵能力蒸馏到小模型中。

2. SFT：先学会合法地"说操作语言"

输入 s s s 包含对话块、旧树状态和更新规则，目标 o o o 是正确操作序列。标准自回归损失为：

L SFT ( θ ) = − 1 τ ∑ t = 1 τ log ⁡ P θ ( o t ∣ o < t , s ) \mathcal{L}{\text{SFT}}(\theta) =-\frac{1}{\tau}\sum{t=1}^{\tau}\log P_\theta(o_t\mid o_{<t},s) LSFT(θ)=−τ1t=1∑τlogPθ(ot∣o<t,s)

τ \tau τ 是目标序列长度， θ \theta θ 是 MemListener 参数。SFT 的目标首先是让模型稳定输出严格格式，并学会 path、操作类型与 value 的基本映射。

3. 为什么还需要过程奖励 RL

操作序列可能语法正确，但语义仍然有问题：漏掉关键属性、选错 path、错误覆盖旧信息，或者生成重复操作。作者使用 Qwen3-32B reasoning mode 作为动态 Judge，将预测操作与人工核验的 ground truth 比较，输出 $- 1 , 1$ $-1,1$ $-1,1$ 连续得分。

训练采用 DAPO 风格的组相对优化。对同一输入采样 G = 8 G=8 G=8 个候选输出 y i y_i yi，得到序列奖励：

R i = R ( y i , y ∗ ; s ) , R i ∈ $- 1 , 1$ R_i=R(y_i,y^*;s),\qquad R_i\in $-1,1$ Ri=R(yi,y∗;s),Ri∈ $-1,1$

组内标准化后得到优势：

A ^ i , t = R i − mean ⁡ ( { R j } j = 1 G ) std ⁡ ( { R j } j = 1 G ) \hat{A}{i,t}=\frac{R_i-\operatorname{mean}(\{R_j\}{j=1}^{G})} {\operatorname{std}(\{R_j\}_{j=1}^{G})} A^i,t=std({Rj}j=1G)Ri−mean({Rj}j=1G)

token 级重要性比率为：

r i , t ( θ ) = π θ ( y i , t ∣ s , y i , < t ) π θ old ( y i , t ∣ s , y i , < t ) r_{i,t}(\theta)= \frac{\pi_\theta(y_{i,t}\mid s,y_{i,<t})} {\pi_{\theta_{\text{old}}}(y_{i,t}\mid s,y_{i,<t})} ri,t(θ)=πθold(yi,t∣s,yi,<t)πθ(yi,t∣s,yi,<t)

优化使用非对称裁剪， ϵ l o w = 0.2 \epsilon_{low}=0.2 ϵlow=0.2， ϵ h i g h = 0.28 \epsilon_{high}=0.28 ϵhigh=0.28。较宽的上界给低概率但高奖励的探索 token 更多提升空间。论文还启用动态采样，过滤全对或全错导致组内优势退化的样本。

我的理解是，这里的"process reward"更准确地说是对完整操作过程/序列质量进行细粒度语义评价，再把序列奖励分配到 token 级更新；论文并没有为每一步树编辑提供独立环境奖励。

4. 关键训练配置

配置	数值
训练方式	Full fine-tuning
精度	bfloat16
学习率	1 × 10 − 6 1\times10^{-6} 1×10−6
Epoch	1
最大上下文长度	11264
最大生成长度	512
每组采样数	8
Temperature / Top-p / Top-k	1.0 / 0.9 / 50
裁剪范围	0.2 / 0.28
KL 系数 β \beta β	0.001
最大重采样次数	3

Table 5：DAPO 训练超参数。 MemListener 使用长上下文、组内 8 候选、非对称裁剪与动态重采样完成过程奖励对齐。

八、自适应回答：树负责稳定状态，历史负责细节证据

1. Fast Mode

对延迟敏感或 PersonaTree 已能覆盖的问题，系统把非空叶节点作为个性化 prior，与当前查询一起输入回答模型，一次生成答案。

优点是延迟低、上下文短、persona 一致；缺点是叶节点是压缩摘要，可能缺少具体事件、原话和时间细节。

2. Agentic Recall and Fusion

当用户明确要求更多细节，或查询具有长尾特征时，系统进入 agentic 模式：

根据查询 q q q 和最终树 T N \mathcal{T}N TN 生成多个扩展查询 { q ~ ( k ) } k = 1 K \{\tilde q^{(k)}\}{k=1}^{K} {q~(k)}k=1K；
并行检索候选历史片段 { d j ( k ) } \{d_j^{(k)}\} {dj(k)}；
使用 BGE-Reranker-Large 重排并融合为上下文 C C C；
基于 $q , T N , C$ $q,\\mathcal{T}_N,C$ $q,TN,C$ 生成最终答案。

PersonaTree 在这里同时承担两个角色：它既是可直接使用的压缩记忆，也是深度检索的约束器。这样可以避免 agentic recall 完全脱离当前用户状态，在海量历史里任意搜索。

3. Router 的工程意义

论文比较三种推理路径：

w/ PersonaTree：只使用快速模式；
w/ PersonaTree + Router：按需触发检索；
PersonaTree-ALL：始终使用完整 agentic recall 与 fusion。

Router 的目标不是追求绝对最高分，而是在接近完整模式的同时减少不必要检索。这种分层路径比对所有请求都启动 Agent 更符合生产场景。

九、实验设置

1. 数据集与任务

论文在 PersonaMem 上评测。每个样本包含用户静态人口属性与随时间变化的动态特征；历史约由 10 段多轮对话按时间拼接而成，总长度约 32K token，覆盖 15 类真实个性化任务。

评测包含七类能力：

Recall-Facts：回忆用户分享的事实；
Pref-Rec：给出符合偏好的推荐；
New-Ideas：提出新的个性化想法；
Recall-Reason：回忆偏好背后的原因；
Pref-Evol：追踪偏好变化；
Gen-New：向新场景泛化；
Recall-User：回忆用户提及的信息。

主指标为准确率与七类能力的 Overall 聚合分数。

2. Baseline

论文比较 Only LLM、完整历史 ALLDialogue、LangMem、Mem0、A-Mem 和 MemoryOS。所有需要检索的系统统一使用 BGE-M3，BGE-Reranker-Large 重排，取回 4 条，并尽量保持检索上下文长度一致。

主实验固定 DeepSeek-R1-0528 作为各记忆系统的抽取模型，再分别用 DeepSeek-V3.1、Longcat-Flash-Chat 和 DeepSeek-R1-0528 作为回答模型。PersonaTree 还比较未训练模型、SFT 模型和 SFT+RL 模型。

十、主实验：PersonaTree 是否优于完整历史与现有记忆系统

原始 Table 1 列数很宽，下面先复现最关键的 Overall 结果，再讨论细分能力。

回答模型	Only LLM	ALLDialogue	LangMem	Mem0	A-Mem	MemoryOS	PersonaTree 最佳
DeepSeek-V3.1	52.63	63.84	57.05	60.44	59.76	62.48	71.31
Longcat-Flash-Chat	54.33	61.80	58.23	59.59	60.95	65.03	75.38
DeepSeek-R1-0528	44.14	64.86	54.84	49.41	47.37	62.65	76.06

Table 1：PersonaMem 主实验 Overall。 PersonaTree 在三种回答模型上均优于无记忆、完整历史和四种长期记忆系统。

三组结果呈现出一致趋势：

DeepSeek-V3.1 上，71.31 比 ALLDialogue 高 7.47，比最强记忆 baseline MemoryOS 高 8.83；
Longcat 上，75.38 比 ALLDialogue 高 13.58，比 MemoryOS 高 10.35；
DeepSeek-R1 上，76.06 比 ALLDialogue 高 11.20，比 MemoryOS 高 13.41。

这些结果支持"结构化当前状态比完整历史更容易利用"。完整历史理论上保留了全部信息，却被噪声和超长上下文拖累；PersonaTree 主动压缩后反而更准确。

1. 改进集中在哪些能力

以 DeepSeek-R1 作为回答模型时，PersonaTree 最佳配置相对 ALLDialogue：

Pref-Rec：63.64 → 81.82，提升 18.18；
New-Ideas：11.83 → 29.03，提升 17.20；
Recall-Reason：84.85 → 92.93；
Pref-Evol：73.38 → 84.17。

这说明树不仅帮助记住事实，更重要的是维护偏好与原因之间的连贯状态。特别是 Pref-Evol，它直接对应论文的"动态 persona"主张。

2. 仍然存在的异常和边界

并非每个子指标都由同一 PersonaTree 配置获胜。例如不同小模型在 Recall-User、Pref-Rec 上存在明显波动；只用 fast mode 时 New-Ideas 往往下降最大。说明高度压缩的树擅长稳定属性，却容易丢失产生新想法所需的具体情境。

此外，论文给出的是准确率，没有报告多次运行的方差或显著性检验。对于样本数较少的子类，数个百分点差异需要谨慎解释。

十一、MemListener：小模型真的能承担记忆维护吗

Tree 操作模型	DeepSeek-V3.1 回答	Longcat 回答	DeepSeek-R1 回答	平均记忆长度
Qwen2.5-7B-Instruct	55.18	55.18	50.08	1852.08
Qwen3-8B	52.97	54.33	47.71	1392.49
GPT-4o-mini	55.86	58.23	55.18	1154.35
DeepSeek-V3.1	60.03	62.31	61.80	2227.78
DeepSeek-R1-0528	60.61	63.33	63.50	1844.19
Gemini-3-Pro	61.29	63.16	63.16	2252.89
Qwen2.5-7B SFT+RL	62.82	64.35	64.01	2626.05
Qwen3-8B SFT+RL	61.97	65.20	65.70	2348.49

Table 2：不同 PersonaTree 操作模型。 经过 SFT+RL 的 7B/8B MemListener 达到或超过多个强推理模型，同时将记忆上下文保持在约 2.2K～2.6K token。

ALLDialogue 需要约 32K token，而训练后的 PersonaTree 平均只需 2.2K～2.6K，压缩到原来的约 7%～8%。更重要的是，小模型并非仅生成更短摘要，它必须输出可执行更新，并使后续回答准确率超过强模型维护的树。

Figure 3：记忆操作模型总体表现。 未训练的小模型明显落后，SFT+RL 后的 Qwen 7B/8B 在三种回答模型上获得稳定提升。

这组结果支持"小模型维护记忆，大模型负责回答"的系统分工。不过比较仍受到训练数据差异影响：强模型是直接调用，MemListener 则针对任务进行了专门训练，因此"超过 Gemini-3-Pro"不等于通用能力更强，而是说明专用蒸馏值得做。

十二、消融实验

1. Fast Mode、Router 与完整 Agentic 模式

回答模型	仅 PersonaTree	PersonaTree + Router	PersonaTree-ALL
DeepSeek-V3.1	61.97	70.12	70.80
Longcat-Flash-Chat	65.20	71.82	75.38
DeepSeek-R1-0528	65.70	74.19	76.06

Table 7：生成路径消融。 只读 PersonaTree 已有收益，Router 进一步接近完整 agentic recall，始终检索的 PersonaTree-ALL 获得最高分。

只使用 PersonaTree 时，模型已经获得稳定用户状态，但与完整模式仍相差 8～10 分。说明压缩记忆不能完全替代原始证据。Router 恢复了大部分差距，是实际系统中更有价值的折中。

2. 直接生成操作还是先抽取再转换

抽取模型	生成策略	DeepSeek-V3.1	Longcat	DeepSeek-R1
DeepSeek-V3.1	两阶段	58.91	60.78	58.74
	直接生成	60.03	62.31	61.80
Longcat	两阶段	58.57	59.59	58.40
	直接生成	58.91	61.63	60.78
DeepSeek-R1	两阶段	59.76	60.95	62.31
	直接生成	60.61	63.33	63.50

Table 3：操作生成策略。 直接从对话和旧树生成原子操作，在所有抽取模型与回答模型组合上优于"先抽信息、再转操作"。

两阶段管线会在中间表示丢失时间顺序、冲突关系和细粒度语义，随后再转换成操作时误差继续累积。直接生成把"抽取什么"和"如何修改旧状态"放在同一次条件推理中，提升约 0.34～3.06 分。

3. SFT 与 RL

Qwen2.5-7B 经 SFT+RL 后，在三个回答模型上得到 62.82、64.35、64.01；Qwen3-8B 对应 61.97、65.20、65.70。相较未训练版本，提升不是格式层面的微调，而会传导到最终个性化回答。

但论文没有单列"只有 SFT warm-up、再使用完全相同数据规模追加非 RL 训练"的严格预算对照，因此 RL 增益中可能同时包含数据来源和训练阶段差异。

十三、超参数、效率与鲁棒性

1. 对话块窗口

Tree 抽取模型	回答模型	w = 1 w=1 w=1	w = 3 w=3 w=3	w = 5 w=5 w=5	w = 7 w=7 w=7	w = 10 w=10 w=10	w = 13 w=13 w=13	w = 15 w=15 w=15
DeepSeek-R1	DeepSeek-V3.1	59.42	60.61	58.74	58.57	60.10	59.25	58.74
DeepSeek-R1	Longcat	62.82	63.33	62.48	62.65	62.65	62.31	62.48
DeepSeek-R1	DeepSeek-R1	60.95	63.50	59.93	60.27	59.25	62.65	61.29
Qwen2.5-7B-RL	DeepSeek-V3.1	60.78	62.82	58.91	61.12	59.25	57.56	59.59
Qwen2.5-7B-RL	Longcat	62.14	64.35	63.67	61.29	64.18	62.82	61.97
Qwen2.5-7B-RL	DeepSeek-R1	62.82	64.01	60.78	62.82	60.95	61.29	62.14

Table 4：对话分块窗口敏感性。 每块 3 轮对话在两种抽取模型和三种回答模型上最稳定。

Figure 4：对话分块窗口曲线。 w = 3 w=3 w=3 在不同抽取与回答模型组合下形成较稳定峰值，过小导致碎片化，过大导致主题混合。

窗口并非越大越好。 w = 1 w=1 w=1 缺少判断稳定属性所需的局部语境； w ≥ 10 w\ge 10 w≥10 则让多个主题和时间变化混在一个操作决策里。 w = 3 w=3 w=3 是本文数据上的折中，并不意味着所有对话域都应固定为 3。

2. 跨抽取模型鲁棒性

附录将统一抽取器从 DeepSeek-R1-0528 换成 DeepSeek-V3.1，PersonaTree-ALL 在三种回答模型上仍达到 70.80、73.34 和 74.53，分别比 ALLDialogue 高 6.96、11.54 和 9.67。

这说明收益不完全依赖某个特定的强抽取模型。但不同抽取模型共享相同 schema、操作语法和评测任务，因此还不能推断到任意领域树结构。

3. 多维能力分布

Figure 2：多维能力雷达图。 在两种记忆抽取设置和三种回答模型下，PersonaTree 的优势覆盖事实、偏好、原因、演化与新场景生成等多个维度。

雷达图表明优势不是只靠某一个 Recall 指标拉高，尤其在 New-Ideas、Gen-New 和 Recall-Reason 上，PersonaTree 的外扩更明显。这与"树提供稳定状态、agentic recall 补充细节"的双层设计相符。

十四、失败案例与证据边界

论文没有单列逐例失败案例，因此不能凭空补造具体对话。但从实验和机制中可以确认几类失败边界。

1. 只依赖树会丢失长尾细节

Fast Mode 相比 PersonaTree-ALL 在三个回答模型上落后 8.83、10.18 和 10.36 分。最明显的退化出现在 New-Ideas 一类需要细节组合的任务。这说明 PersonaTree 是高信号状态，不是完整历史替代品。

2. 固定 schema 会形成认知边界

schema 能抑制无限增长，也会决定系统"看得见什么"。不在生物---心理---社会预定义空间中的领域技能、任务状态或复杂关系，可能被迫塞进近似字段，或者直接被判定为 NO_OP。

3. 覆盖式 UPDATE 可能抹平时间结构

叶节点以字符串覆盖重写，新旧状态只通过版本文件间接保存。对于"以前喜欢、现在不喜欢、特定情境下又例外"这类时间条件，单一当前字符串可能无法表达完整演化。

4. 极少 DELETE 既是保守，也可能是滞后

全数据只有 7 次 DELETE。它降低了错误遗忘风险，但也可能意味着系统更倾向于整合或覆盖，而不是清理过时信息。长期运行时，旧内容能否真正退出核心记忆尚未得到验证。

十五、与 Agent Memory 系列方法的横向比较

方法	核心记忆单位	主要解决的问题	与 Inside Out 的区别
Mem0	多层事实与关系记忆	跨会话存储、检索和生产部署	Mem0 更强调通用记忆基础设施；Inside Out 把用户核心状态限制在 persona schema 内
A-MEM	带标签、描述和链接的原子记忆	自组织关联与记忆演化	A-MEM 让记忆网络自由生长；Inside Out 用固定树干和四类操作控制增长
MemoryOS	短期---中期---长期记忆层	生命周期与层级迁移	MemoryOS 管理不同时间层；Inside Out 管理单个用户状态的语义更新
MAGMA	多粒度、异构记忆	不同尺度记忆的组织与协同	MAGMA 关注多种记忆如何共存；Inside Out 聚焦 persona 这一类核心状态
CoM	压缩后的长程记忆	降低上下文成本并保留关键信息	CoM 重点是压缩；Inside Out 进一步给压缩状态规定可执行更新接口
ReMemR1	可回访历史的更新过程	写入时修复早期不可逆信息损失	ReMemR1 允许回看旧记忆；Inside Out 通过旧树条件和版本化完成增量状态改写
Mem²Evolve	随经验持续演化的记忆	记忆如何在线更新和自我改进	两者都重视演化；Inside Out 的演化被严格约束为 persona tree operations
ReasoningBank	推理策略与防错规则	从成功和失败轨迹提炼可迁移经验	ReasoningBank 记"如何做任务"；Inside Out 记"用户是谁以及如何变化"

Inside Out 最大的区别是把 memory write API 明确化。它不允许任意"新增一条记忆"，而要求每次变化说明目标 path、操作类型和新状态。这种接口非常适合强治理、强个性一致性的场景。

它也可以与其他方法组合：PersonaTree 作为核心用户状态，MemoryOS 管理不同时间层，A-MEM 保存自由关联事件，ReasoningBank 保存工具和推理经验，agentic recall 再按任务组合这些来源。

十六、对 Coding Agent、Tool Agent 与 Multi-Agent 的启发

以下内容是基于论文机制的工程推演，不是论文已经验证的实验结论。

1. Coding Agent：把项目记忆改造成可执行状态树

Coding Agent 的长期记忆可以不再是一堆历史 PR 摘要，而是一棵受 schema 约束的项目状态树：

architecture：模块职责与依赖边界；
conventions：测试、命名、错误处理约定；
environment：构建命令、运行时和版本；
known_issues：当前仍有效的问题；
decisions：已接受的设计选择及理由。

每次任务结束后只允许 ADD/UPDATE/DELETE/NO_OP，并保留版本。这样可以避免把临时调试信息永久写成项目事实。

2. Tool Agent：把长期配置与事件日志分开

工具执行日志应保留在 evidence store，核心树只维护当前可执行状态，例如账号范围、权限边界、默认资源和用户偏好。复杂操作先读状态树，只有缺细节时再回查日志。

这对应论文的"PersonaTree 快速模式 + agentic recall"双层架构。

3. Multi-Agent：由专用 Memory Agent 维护共享状态

MemListener 的分工启发一种多 Agent 架构：任务 Agent 专注执行，独立 Memory Agent 监听消息并生成结构化状态操作，后端验证后写入共享树。

优势是业务 Agent 不必在每次推理中同时承担记忆整理；风险是 Memory Agent 一旦错误更新，影响会扩散到所有协作者，因此需要版本、审批和回滚。

4. 生产系统应补充的字段

在四类操作之外，我会建议增加：

timestamp：状态何时生效；
source：来自哪段对话或工具结果；
confidence：抽取和冲突处理的置信度；
scope：全局有效还是特定场景有效；
supersedes：本次更新替代哪个历史版本。

它们能缓解论文自己承认的时间、证据溯源和多版本共存问题。

十七、局限性

1. Schema 的覆盖范围有限

论文使用 Biopsychosocial schema，适合人物建模，但不一定适合专业技能、任务状态或跨领域关系。作者也承认未来需要可组合子树或插件式模块。

2. 当前状态表示缺少显式时间与证据

叶节点主要是描述字符串，没有原生时间戳、置信度和 source pointer。版本化能看出树前后变化，却不等于回答时能直接解释"这条结论来自哪里、何时仍然有效"。

3. 训练依赖强模型合成与人工核验

28K 指令并不是自然产生的金标准。DeepSeek-R1-0528 负责生成监督信号，再由人工过滤。数据生成模型的偏差可能被蒸馏到 MemListener 中。

4. Judge 与任务标签的可靠性

RL 使用 Qwen3-32B 作为 Judge 对完整操作序列打连续分。论文没有给出 Judge 与人工评审的一致率，也没有系统分析错误奖励如何污染树操作。

5. 评测规模与统计证据有限

实验集中在 PersonaMem，虽然跨抽取模型和回答模型结果一致，但尚缺少真实多年交互、跨语言用户、多人共享设备和对抗性隐私场景。主表也没有置信区间或显著性检验。

6. 隐私风险不因结构化而消失

显式树确实更容易做访问控制、编辑与撤销，但它也把敏感偏好、心理特征和社会身份集中成高价值画像。生产部署仍需字段分级、最小化收集、用户可见性和删除证明。

十八、我的理解与启发

1. PersonaTree 更像数据库中的 materialized view

完整历史是事件日志，PersonaTree 是由日志持续维护的当前视图。它不替代事件源，而是让高频查询无需每次扫描全部历史。

用系统设计语言表达，就是：

Dialogue Event Log → MemListener Versioned Persona State \text{Dialogue Event Log} \xrightarrow{\text{MemListener}} \text{Versioned Persona State} Dialogue Event LogMemListener Versioned Persona State

复杂查询再从状态视图跳回事件日志取证。这比单纯称它为"树形记忆"更能解释其价值。

2. 论文真正重要的是 write path，而不是 read path

很多 Agent Memory 工作把主要精力放在检索：向量、图、多跳、重排。Inside Out 的亮点在写入侧------每条对话先经过 value judgment，再生成明确状态操作。

只要写入质量足够高，读取甚至可以非常简单；而写入侧失控时，再强的检索器也只是在噪声中搜索。

3. 小模型维护记忆是很有潜力的系统分工

长期记忆更新频率高、格式稳定、领域边界明确，适合用小模型专门化。大模型只在复杂回答与深度召回时出现，可以显著降低长期系统成本。

不过，小模型的便宜不应掩盖错误的长期影响。记忆写入是高杠杆操作，比一次回答错误更危险，因此应配套可回滚、抽样审计和高风险字段二次确认。

4. 固定 schema 与开放世界之间仍有张力

Inside Out 用 schema 换来了稳定和可解释性，但用户总会说出设计者没预料到的事情。真正成熟的系统可能需要两层结构：

核心树保存稳定、受治理的高价值状态；
开放事件层保存难以归类的证据和弱结构记忆；
当某类开放事件反复出现，再由受控机制升级 schema。

这样可以避免树无限膨胀，也不会把 schema 之外的信息全部丢掉。

十九、总结

Inside Out 解决的不是"怎样从更长历史里检索更多内容"，而是"怎样把不断到来的对话维护成一个一致、紧凑、可解释的用户状态"。

PersonaTree 用生物---心理---社会 schema 限制长期记忆的语义边界；ADD、UPDATE、DELETE、NO_OP 将记忆演化变成可验证操作；MemListener 通过 SFT 和过程奖励 RL 学会由对话与旧树直接生成操作；回答阶段则在快速树读取与按需 agentic recall 之间切换。

实验表明，约 2.2K～2.6K token 的结构化树可以超过 32K 完整历史以及 LangMem、Mem0、A-Mem、MemoryOS，多种回答模型和抽取模型下趋势一致。与此同时，Fast Mode 与完整模式之间的差距、固定 schema 的边界、极少 DELETE、缺乏时间和证据元数据，都说明它仍是一套有明确适用范围的个性化状态管理方案，而不是通用记忆终局。

一句话总结：

Inside Out 的核心贡献，是为长期个性化记忆建立了一个受 schema 约束、由原子操作驱动、可由小模型持续维护的用户状态接口，让"记住用户"从文本堆积问题变成可治理的状态演化问题。