Prospection-Guided Retrieval: Thinking Ahead for Memory — arXiv:2605.14177

摘要¶

本文针对长程个性化对话助手的记忆检索问题，提出 Prospection-Guided Retrieval（PGR）方法。传统 RAG 和 GraphRAG 系统是回顾性的——依赖查询与记忆的嵌入相似性，往往遗漏对用户需求重要但语义距离较远的事实。PGR 受到人类"预演"（prospetion）能力的启发，将想象的未来作为记忆提取的线索，而非仅依赖原始查询的相似性。给定用户查询，PGR 首先将目标扩展为简短的思维树（ToT）或线性链，然后用这些步骤作为检索探针而非原始查询。检索到的事实再用于个性化下一轮预演，形成"预演-检索-落地"的迭代循环。引入 MemoryQuest 基准，包含 1,625 个查询跨越 185 个用户画像，PGR-TOT 在 MemoryQuest 上相比最强基线实现近 3 倍召回率，LLM-as-judge 偏好率 89-98%。

核心贡献¶

PGR（预演引导检索）：将"预演"能力引入记忆检索，用想象的未来步骤作为检索探针，解耦检索与存储方式。
ToT/线性链双模式：PGR-TOT 使用思维树扩展目标，PGR-Chain 使用线性链，均能揭示与查询语义距离远但对用户重要的记忆。
迭代预演-检索循环：检索到的事实再用于个性化下一轮预演， grounded in 用户历史，迭代发现新相关记忆。
MemoryQuest 基准：专为低查询-参考相似度约束设计的多会话记忆检索基准，1,625 查询，185 用户画像，3 公开数据集。
显著性能提升：PGR-TOT 在 MemoryQuest 上近 3 倍召回率，LLM-as-judge 偏好率 89-98%，人类标注验证趋势一致。

为什么重要¶

当前记忆检索系统是"后视镜"式的——只能找到与当前查询相似的记忆。但在真实对话中，用户的需求往往需要"想前一步"才能发现相关记忆。比如问"周末去哪"，真正相关的记忆可能是用户三个月前提到的某个偏好，但这个偏好与"周末去哪"表面相似度很低。PGR 首次将人类的预演能力引入 AI 记忆系统，为个性化助手开辟了新方向。

与移动端/端侧的相关性¶

移动端对话助手（手机语音助手、 wearable 设备）需要跨长时间跨度整合用户记忆。本文的 PGR 方法对端侧个性化有直接意义——设备上的助手可以用 PGR 挖掘用户历史中的长期偏好，提供真正个性化的服务，而不是每次都从头开始。MemoryQuest 基准的 185 个用户画像设置也贴近移动端实际使用场景。

参考文献¶

（参考文献待从原文补充）