港科大团队提出HeLa-Mem长对话记忆方法
香港科技大学（广州）、吉林大学与香港中文大学的研究团队提出 HeLa-Mem（Hebbian Learning Associative Memory），试图补上AI智能体在长对话中“相关信息字面不相似”时的记忆关联缺口，论文已被 ACL 2026 Main 接收并公开了 GitHub 代码。该方法把每轮对话编码为情景记忆节点，节点被同一次检索共同召回时其连接会增强、长期不用则衰减；一个反思智能体负责从高关联节点提炼语义记忆，并标记孤立、陈旧节点作为遗忘候选。检索时同时走语义相似路径和沿关联边扩散的路径，再与语义记忆合并交给大模型作答；作者在 LoCoMo 上报告，以 GPT-4o-mini 为底座时四类问题 F1 分别为多跳 40.14、时间 47.29、开放域 29.70、单跳 51.89，平均检索上下文约 1010 tokens（据称 MemoryOS 约 2000，直接输入整段对话约 16910）。作者也指出，关联权重需在持续交互中积累，交互历史少时存在冷启动问题，反思提炼的语义知识受基础模型能力影响。
据该报道，这项工作的意义在于把智能体长期记忆的重点从“保留多少历史”推进到“历史之间如何形成关系”。
在长期对话、个性化服务和多轮任务协作中，AI Agent 经常要回答一类看似简单、实际很难的问题：一段信息与另一段信息相隔很远，表面上几乎没有相同的词，却必须同时被找回来，答案才完整。
例如，用户问“我最早是在哪里遇见那位影响我职业选择的人？”系统需要同时找到“这位老师影响了我的职业选择”和“我是在某场活动上认识他的”两段对话。前者与“职业”高度相关，后者却未必带有任何相近词。如果只按相似度检索，AI Agent 很容易知道“是谁”，却答不出“在哪里”。
为此，来自香港科技大学（广州）、吉林大学与香港中文大学的研究团队提出了 HeLa-Mem（Hebbian Learning Associative Memory），尝试解决这种长期记忆中的关联缺口：让对话里的经历不只被单独保存，也能在一次次共同被唤起的过程中逐渐建立连接。相关论文已被 ACL 2026 Main 接收。
#HeLa-Mem#HKUST (Guangzhou)#Jilin University#Chinese University of Hong Kong#LoCoMo#ACL 2026