长期记忆正成为个性化 AI 的核心底层，但现有系统仍把个性化视为静态潜在空间中的离散记录，并在全局相似度下检索。这种设计与实际数据流的时间序列特性不匹配：证据是连续的事件流，而抽象却是可搜索的记录集合。我们主张将长期个性化建模为用户特定的动态状态空间，并赋予其局部异构的几何结构。这里的几何是一种计算语言，用来描述稳定区与易变区、可变速率漂移、异质邻域以及对当前用户状态的不确定性。个人档案和孤立事件仍可视为离散点，但交互、反馈以及时间的推移会在状态空间中形成轨迹。记忆访问因此转变为基于轨迹的状态重建，而非单纯的最近邻查找。
点评