個人AI記憶框架Mi-Memory問世：從對話快取邁向持續服務的記憶生命週期管理
個人AI正從純對話擴展至手機、汽車等持續服務場景，記憶需從快取轉為連續性與治理基礎。Mi-Memory框架以結構化、擴展、演進與部署四大角色管理記憶生命週期，並透過審計合約連結各角色。MemStack在LoCoMo與LongMemEval上分別達93.59%與87.47%。
個人AI記憶框架Mi-Memory：從對話快取到生命週期管理
個人AI正在從純文字對話的互動模式，擴展到涵蓋手機、汽車、居家、穿戴裝置、攝影機與工具的持續服務場景。在這樣的環境下，記憶不能再只是過去對話的快取，而必須成為連續性與治理的基礎：保存持久的用戶狀態、以多模態與裝置證據為基礎來回答問題、支援更正與遺忘、約束政策演進，並在延遲、成本、隱私與邊緣雲端限制下仍可部署。
這份技術報告提出了Mi-Memory，一個針對個人AI設計的生命週期記憶框架，圍繞四個角色組織：結構化（Structure）、擴展（Expansion）、演進（Evolution）與部署（Deployment）。一個共享的審計合約透過四類反覆出現的工件連結這些角色：型別化證據載體保存來源身份與出處；診斷追蹤定位服務管線中的證據遺失；策略工件使記憶政策變更明確；閘門與回滾記錄則限制可接受的演進。
Mi-Memory透過以下元件實例化這些角色：MemStack負責結構化；MemSense/MemFuse負責擴展；D²ACCI/E²MEND負責演進；LiteMem負責部署。在受控參考的結構化評估中，MemStack在LoCoMo、PersonaMem-V2與LongMemEval上分別達到93.59%、57.24%與87.47%。其他軌道則報告了模組層級、初步/內部、遷移可行性或僅設計階段的證據，並標明明確邊界。
整體而言，Mi-Memory是邁向可審計、證據閘門與部署感知的個人AI記憶系統的一步。更多資訊可參考專案首頁：https://darwin-agent.github.io/Mi-Memory/。
延伸閱讀
- LLM 助力 Windows 漏洞分析：Symbolicate‑Enrich‑Sample 管線概述與實驗結果
- 利用基因演算法對抗 LLM 逆向分析：GhidraMCP 安全漏洞新探
- 「跨表面注入攻擊」：工具式 LLM 代理的雙通道安全盲點與適應式防禦策略
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
