随着大语言模型（LLM）代理在持久社交环境中的参与度提升，评估其长期社交交互能力变得尤为重要。已有研究主要聚焦于长期记忆和对话上下文检索，却少关注代理能否自主重新参与先前已停用的对话。记住过去的交互并不等同于能够识别何时重新访问、决定返回或重建连续对话所需的上下文。为填补这一空白，我们将代理社交再进入定义为一个多维评估问题，区分三种互补能力：Finding（定位目标对话）、Returning（主动回复目标）和Reconstructing（恢复对话上下文）。我们构建了共享快照评估框架，能够独立测量这三个维度，从而分析对话再现与持久记忆在社交再进入不同方面的关联。对六种LLM配置的实验表明，使用对话再现技术显著提升了Finding能力；持久记忆则与更高的自主目标导向回复率（Returning）相关。但两者均未带来Reconstructing能力的稳定提升。该结果凸显了访问历史对话、决定重新参与以及保持对话连贯性之间的区别。我们的框架提供了一种在不依赖单一记忆检索或回复质量指标的前提下，分别评估这些能力的方法。
点评