Psych LM：在地運算的記憶語料庫與檢索增強生成架構

Psych LM：本地優先的情感支援架構

行為與生活教練類應用需要跨會話的深度脈絡，但現有模型多無法長期維持。Psych LM在iOS上以本地語言模型為核心，搭配專門設計的本地優先執行環境，透過自動化記憶語料庫把對話結構化為事實、目標與事件的記憶卡，並以語義向量檢索動態注入提示，實現近乎無限的脈絡感知。

研究提出四項主要貢獻：一是把隱私納入設計核心的在地優先架構；二是詳述用於持久化關鍵用戶資訊的記憶語料庫結構；三是建立一個確定性協調層，作為獨立於模型內部狀態的穩定行為骨幹；四是打造一套基準框架，用以在真實運作條件下評估整合系統的可靠性。

研發過程顯示：在行動裝置的嚴苛資源與隱私限制下，透過對架構控制與資源管理的優先處理，可以比僅靠擴大模型更穩定地達成複雜、情境化的互動需求，對需要長期、情感導向支援的應用具有實務意義。

延伸閱讀

• A-LEMS 能耗觀測：EpG 與 OOI 在代理式 AI 編排效率評估上的應用
• 行動端 LLM 能耗實測：量化悖論、MoE 與 Qwen2.5-3B 的折衷
• OpenJarvis：以五大原語與 LLM-guided spec search 實現本地化個人AI優化

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。