CAIM：面向智能智能体长期交互的认知 AI 记忆框架的开发与评估

大型语言模型（LLMs）推进了人工智能领域，是交互系统的强大推动力。然而，它们在需要适应用户以及上下文知识和理解不断变化环境的长期交互中仍面临挑战。为了克服这些挑战，需要整体记忆建模以有效跨会话存储和检索相关信息以获得准确响应。认知 AI 旨在在计算模型中模拟人类思维过程，突出了有趣方面，如思维、记忆机制和决策，可以为 LLMs 的改进记忆建模做出贡献。基于这些原理，我们提出了 CAIM，一个通过多智能体架构模拟人类记忆关键方面的认知 AI 记忆框架。专门的基于 LLM 的智能体处理记忆相关功能，如检索、上下文相关性评估和内存维护。我们将 CAIM 与现有方法进行比较，重点关注检索准确率、响应正确性和上下文连贯性等指标。结果表明，CAIM 在不同指标上优于基线框架，突出了其上下文意识，并展示了其对改善长期人机交互记忆机制的贡献。