在人工智能伴侣的评估中，不仅仅是单次对话的流畅性，而是持续的情感连贯性至关重要。这包括记住伴侣的身份、用户的偏好以及两者之间的关系感受。为此，我们提出了 ZifaMem，一个结构化记忆系统，能够将对话组织为会话摘要、情节记忆和综合用户模型。
与一个提供完整原始对话历史的公正比较者相比，在固定的 LLM 评估协议下，结构化记忆提高了四个情感智力评分的平均值，提升幅度达 11.4%（95% 置信区间为 6.3% 到 17.1%）。在四个基础模型中，个性化的基础表现出相对 +42% 的提升。多轮情感上下文相比于单轮快照获得了 +39% 的净偏好（探索性结果），而额外的情感状态机在五个评估指标上并未显示出可测量的增益。
在相同的预注册协议下，三种记忆系统（ZifaMem、Mem0 和过滤逐字检索）均显著优于原始历史部署，其中 ZifaMem 和 Mem0 在预注册的主要偏好指标上统计上相当，误差在 +/-5 分之内。ZifaMem 的 SDK、CLI 以及便携式 Agent Skills 已在 GitHub 上开源。
博主点评： ZifaMem 的结构化记忆系统为 AI 伴侣的情感交互提供了新的维度，显著提升了用户体验。通过有效整合对话历史，该系统不仅增强了对用户偏好的理解，还确保了情感的连贯性，值得关注其在实际应用中的潜力。