PreCoMem：面向自我演化长期对话智能体的预测性认知记忆

长时程对话智能体需要足够稳定地保留用户记忆，以实现个性化，同时在用户确实发生变化时进行适应。现有记忆系统通常会追加每条观察结果，或依据启发式规则覆盖旧条目，这使得短暂噪声难以与真实的信念漂移区分开来。我们提出了 PreCoMem，一种受预测编码启发的记忆整合框架，将记忆表示为关于用户状态的、按置信度加权的信念。其核心信号 Effective Surprisal 结合了语义偏差与矛盾证据，并在检索结果分散且不可靠时降低该信号的权重。根据 Effective Surprisal，一个双阈值门控机制将每轮对话映射为三种确定性更新之一：MAINTAIN 强化得到支持的信念，PROFILE 将含糊线索存储为低置信度假设，CORRECT 则使受到可靠矛盾证据支持的事实平缓衰减。PROFILE 阶段充当一个明确的等待区，防止过早依据噪声证据做出定论。在 LoCoMo、LongMemEval-S 和 PersonaMem-v2 上的实验显示，PreCoMem 始终达到了最先进的准确率；我们新提出的 DiMoBench 进一步证实，PreCoMem 能够适应非平稳的信念漂移，同时不会对噪声反应过度。代码可访问：https://github.com/ZhongWishing/PreCoMem。