概要¶
大型语言模型在长期交互中常面临事实遗忘、时间线混乱、人格漂移和稳定性下降等问题，尤其在高噪声知识库、上下文清理和跨模型迁移场景下更为突出。本文提出 ARPM（Adaptive Recall Protocol for Memory），一个外部异构时间记忆治理框架，通过将静态知识记忆与动态对话经验记忆分离，结合向量检索、BM25、RRF 融合、双时间重排序、时序证据阅读和受控分析协议，实现长期人格一致性维护。
核心贡献¶
1. 记忆分离架构¶
ARPM 的核心创新是将记忆解耦为两层： - 静态知识记忆：存储客观事实和长期知识 - 动态对话经验记忆：记录交互过程中的上下文和学习内容
这种分离允许系统对不同类型的记忆采用差异化的治理策略。
2. 多检索器融合（RRF）¶
集成三种检索机制： - 向量检索：语义相似性匹配 - BM25：词项精确匹配 - RRF（Reciprocal Rank Fusion）：融合多检索器结果
实验表明，在 1:5 信噪比下，CSV 自动判断准确率为 54.0%，人工审查提升至 100%；在 1:200+ 高噪声环境下，CSV 准确率为 44.0%，人工审查为 80.0%。
3. 双时间重排序¶
- 时间维度：按事件发生时间排序
- 语义维度：按相关性排序
- 结合时序证据阅读，确保响应的历史连贯性
4. 受控分析协议（Controlled Analysis Protocol）¶
通过白盒方式分解人格一致性为可治理的组件： - 语义连续性（Semantic Continuity） - 边界连续性（Boundary Continuity） - 人格一致性（Persona Consistency）
5. 消融实验关键发现¶
- 禁用对话历史检索：严格准确率从 100% 降至 66.7%
- 禁用 BM25：严格准确率降至 80.0%
- 结论：纯语义检索不足以完成纠正和追溯任务
为什么重要¶
人格漂移是 LLM 记忆系统的核心挑战之一。ARPM 的创新在于： 1. 将连续性视为可追溯、可审计、可迁移的治理问题，而非仅依赖模型权重编码 2. 提供了可量化的评估框架，在 510 万字符噪声基底、周期性上下文清理和跨模型迁移场景下验证了有效性
与移动端/端侧相关性¶
ARPM 的框架设计适合资源受限环境： - 外部记忆存储不依赖模型参数更新 - BM25 和向量检索的混合策略可根据硬件能力选择性部署 - 分层记忆架构支持按需加载和卸载
该框架的治理思路对于端侧 AI 的人格一致性维护具有参考价值，尤其是在多轮对话和跨会话场景中。