牌型等级与比较方法详解
在长期对话、个性化服务以及多轮任务协作过程中，AI Agent 时常需要应对一类看似简单实则颇具难度的问题：两条信息间相隔甚远，表面上几乎没有共同词汇，却必须同时被提取出来，才能给出完整答案。
举个例子，当用户询问“我第一次遇见那位影响我职业选择的人是在哪里？”时，系统需同时定位到“这位老师影响了我的职业选择”以及“我是在某场活动上认识他的”这两段对话。前者与“职业”关联紧密，后者则可能不包含任何相近词汇。若仅依赖相似度进行检索，AI Agent 往往能知晓“是谁”，却难以回答“在哪里”。
为此，来自香港科技大学（广州）、吉林大学与香港中文大学的研究团队提出了 HeLa-Mem（赫布学习关联记忆），旨在弥补长期记忆中的这种关联缺失：让对话中的经历不仅被单独存储，还能在多次共同被激活的过程中逐步建立联系。相关论文已被 ACL 2026 Main 收录。
论文链接：https://aclanthology.org/2026.acl-long.625/GitHub 地址：https://github.com/ReinerBRO/HeLa-Mem
在 LoCoMo 基准上的实验结果显示，HeLa-Mem 在显著减少上下文 token 使用量的同时，在四个问题类别中均展现出卓越性能。
这项工作的核心价值在于将 AI Agent 长期记忆的关注点从“保留多少历史”转向“历史之间如何形成关联”。当 AI Agent 需要陪伴用户、执行复杂任务或进行跨会话协作时，真正关键的信息往往蕴含在多段经历逐步形成的联系之中。
让记忆在使用中建立连接
当前许多 AI Agent 记忆系统会将历史对话切分成片段并存入向量库，再根据语义相似度进行召回。这种方法能高效检索与问题措辞相近的内容，但在长对话中，关键线索往往并非“看起来最相似”的那一条。
人类记忆并不完全依赖词汇相似性。一次活动中结识的人，可能在日后影响职业选择；某段旅行经历，也可能与长期偏好相关。这些内容在文字上相距甚远，但在真实经历中彼此关联。HeLa-Mem 将这种关系视为长期记忆系统的一部分：每轮对话都是一个记忆节点，节点间的边记录了它们被共同使用的频率。
图｜HeLa-Mem 将对话历史组织为带权关联图。反复共同被唤起的记忆会形成更强连接。
下图展示了 HeLa-Mem 的完整闭环：每轮对话先写入情景记忆网络；面对新问题时，系统同时从语义相似性和已有关系中寻找线索；反思 Agent 再根据网络状态提炼知识，并淘汰过时节点。两路检索结果与语义记忆共同构成 LLM 的回复上下文，新的使用过程会持续更新关联强度。
图｜论文中 HeLa-Mem 方法的总体架构。赫布式关联构建情景记忆网络，反思整合负责记忆提炼与遗忘，检索阶段通过双路径获取上下文。
HeLa-Mem 的第一步，是将每个对话回合编码为情景记忆节点，保存原文、时间、角色、关键词及向量表示。当多个节点在一次检索中同时出现时，系统会增强它们之间的关联；长期未被使用的弱连接则会逐渐减弱。随着交互不断累积，记忆库会形成一张带有强弱关系的网络。
系统还会定期审视这张网络。对于关联密集的节点及其邻域，反思 Agent 会提炼其中可复用的信息，形成稳定的语义记忆，例如用户偏好、事件关系或带有绝对时间的事实。关联弱、长期未用且近期未被访问的节点，则会被列为遗忘候选，以控制记忆规模并减少噪声。
图｜反思 Agent 围绕高关联度节点提炼语义知识，并识别孤立、陈旧且未访问的遗忘候选。
在检索时，HeLa-Mem 采用两条路径：一条路径依据向量相似度、关键词和时间因素直接召回候选记忆；另一条路径从高分节点出发，沿关联边扩散激活，找到文字上不够相似、但与问题存在历史关联的内容。两路结果再与语义记忆合并，交由 LLM 生成答案。
在前述“职业选择”案例中，语义检索可先定位“职业建议”相关回合；关联路径则沿已有连接补回“初次见面地点”。这使系统能够完成跨片段、多跳的回忆。
图｜语义路径先定位职业相关记忆，关联路径再沿已学习的连接召回地点信息。
在长对话记忆基准上的表现
研究团队在 LoCoMo 基准上对 HeLa-Mem 进行了评估。该基准包含平均约 300 个回合、约 9K tokens 的长对话，问题涵盖多跳、时间、开放域和单跳等类别。
如下图所示，以 GPT-4o-mini 为基础模型时，HeLa-Mem 在 LoCoMo 的多跳推理、时间推理、开放域和单跳问答四类任务中，F1 值分别达到 40.14、47.29、29.70 和 51.89。
与此同时，HeLa-Mem 平均仅需 1010 tokens 的检索上下文；MemoryOS 约为 2000 tokens，而直接输入完整 LoCoMo 对话的基线则约为 16910 tokens。跨 GPT-4o-mini、GPT-4o 与 Qwen2.5-3B 三个基础模型，HeLa-Mem 在四类任务中的平均排名为 1.25（数值越低越好）。
图｜论文报告的性能—token 开销对比。横轴为 token 成本（对数坐标），纵轴为平均 F1；图中汇总了 GPT-4o-mini 与 GPT-4o 的结果。
当然，这项研究仍存在一些局限性。例如，HeLa-Mem 的关联权重需要在持续交互中逐步积累，因此在交互历史较少时仍面临冷启动挑战。反思式巩固所提炼的语义知识，也会受到基础 LLM 能力的影响。
本文来自微信公众号 “学术头条”（ID：SciTouTiao），作者：学术头条，36氪经授权发布。
炸金花中豹子、同花顺、金花、顺子、对子、散牌等牌型的识别要点与大小判定规则，通过实际牌例帮助读者快速掌握比较逻辑。
炸金花专题以牌型认识、回合流程和规则问答为主要内容，帮助读者了解三张牌玩法的基本结构。页面通过组合示例介绍比较方法，将行动名称与具体阶段对应，同时整理不同约定中需要提前核对的规则差异。说明内容把牌型识别、行动阶段和结果比较分开整理，方便读者按照实际问题查阅。不同组合使用示例进行对照，帮助区分名称相近或等级相同的情况。对地方玩法和具体约定中的差异，资料分别交代适用条件，便于明确比较范围，再把发牌、看牌与比牌等说明连接起来，理解整个牌局的规则关系。
精选每个行动阶段（发牌、看牌、跟注、加注、比牌）均有对应说明和示例。内容，炸金花与你一同发现更多精彩。
炸金花专注规则差异部分按地方约定分类标注适用条件，减少现场争议。，为用户提供专业可靠的体验。
围绕牌型比较示例采用并列对照，避免名称相近或等级相同时的混淆。，炸金花持续打磨更优质的服务。
留下您的疑问