AI 记忆研究：检索、模型学习与场景信号

做陪伴型 AI，我关心下次打开时，交流能不能接着上次继续。为此研究过外部检索、模型层学习，以及场景与因果信号。这些方向解决的问题不同，不能用一个“记住了”概括。

检索适合保存事实

mem0、Zep 等方案把对话存档、建立索引，在需要时提供给模型。它们不必修改模型权重，能够让回答参考用户说过的话。

这种方式需要解决检索遗漏、旧事实更新和上下文长度问题。在我做的那轮评测中，被测系统尚未稳定超过全量历史对照；结论受题库、模型和版本限制，不能直接推广到所有产品。

用轻量模型学习状态

我也尝试了 CfC（连续时间神经网络），让模型从随时间变化的多模态特征中学习用户状态。阶段性实验支持继续探索这条路线，但状态识别通过实验，并不等于模型已经理解一个人，更不等于能可靠判断他的意图。

为了检查这个差距，我又用信息论方法估计输入信号与目标的关联。这类分析同样受样本和估计方法限制，作用是帮助判断下一步值得补什么数据。

表情提供的信息不够

在当时的数据和设置下，仅靠表情推断意图的证据不足；加入一段表情变化序列，也没有带来原先期待的改善。加入会议、休息等场景信息后，表现有所改善。

我把它作为阶段性结论归档，后续方向转向补充场景与情境信号。继续调模型之前，需要确认输入是否包含目标所需的信息。

继续研究因果，但收窄结论

接下来我用 AI 辅助阅读连续时间因果发现的论文，对比实验条件和结论。不同评测基准之间存在不一致，部分领先方法缺乏直接对照，不能把各自的结果拼成统一排名。

这些检查让我收窄了方案中“因果验证器”的职责：用于检查、排除部分不成立的方向，不把它当作已经证明因果关系的工具。

会议场景的研究分支仍在积累数据。视觉链路以提取特征为主，不保存原始画面；这是一项数据处理选择，不代表所有隐私风险都已解决。

当前的分工是：检索保留事实，轻量模型学习状态变化，场景研究补充判断依据。相关研究保留在作品页的 LnMem 项目中。

参考文献

以下保留此次阅读的文献，按研究问题分组。

连续时间系统的因果定义

1. From Ordinary Differential Equations to Structural Causal Models: the deterministic case — arxiv.org/abs/1304.7920

2. Causal interpretation of stochastic differential equations — arxiv.org/abs/1304.0217

3. Causal models for dynamical systems — arxiv.org/abs/2001.06208

结构学习算法

4. Neural graphical modelling in continuous-time: consistency guarantees and algorithms — arxiv.org/abs/2105.02522

5. Neural Structure Learning with Stochastic Differential Equations — arxiv.org/abs/2311.03309

6. Deep Koopman operator framework for causal discovery in nonlinear dynamical systems — arxiv.org/abs/2505.14828

7. Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis — arxiv.org/abs/2512.14361

打分与检验方法

8. Tangent Space Causal Inference: Leveraging Vector Fields for Causal Discovery in Dynamical Systems — arxiv.org/abs/2410.23499

9. Signature Kernel Conditional Independence Tests in Causal Discovery for Stochastic Processes — arxiv.org/abs/2402.18477

10. Distinguishing Cause from Effect with Causal Velocity Models — arxiv.org/abs/2502.05122

适用条件与评测基准

11. Causality and independence in perfectly adapted dynamical systems — arxiv.org/abs/2101.11885

12. Disentangling Continuous-Time Latent Dynamics: Identifiability of Latent SDEs via Diffusion Shifts — arxiv.org/abs/2606.28228

13. Causal Discovery from Heteroscedastic Stochastic Dynamical Systems under Imperfect Physical Models — arxiv.org/abs/2602.04907

14. Hybrid² Neural ODE Causal Modeling and an Application to Glycemic Response — arxiv.org/abs/2402.17233

15. CausalDynamics: A large-scale benchmark for structural discovery of dynamical causal models — arxiv.org/abs/2505.16620