系统内核管理的共享内存，用于全系统个性化

当 AI 系统能够适应使用者时，其实用性会显著提升；但在多智能体系统中，一个智能体学习到的有用上下文往往无法被其他智能体获取。我们提出了内核管理的共享内存，这是一种系统级抽象：专用智能体写入结构化、带标签的记忆，而由智能体系统内核，而非各个智能体，负责检索、隐私执行和提示注入。我们在 AIOS 上实现并评估了这一设计，并在三种助手模型（GPT-4o、Llama-3.1:8B、Qwen-2.5:7B）和总计 1,800 次试验中，将其与三种替代方案进行了比较。与使用相同底层存储、但不受管理的外部记忆后端 Mem0 相比，内核管理的检索与注入使个性化得分在 5 分制上提高了 2.4–4.0 分（例如，在 GPT-4o 上，用户资料使用度从 1.05 提升至 4.69），且每项比较均达到显著水平（p < 10^-18）。与标准的检索增强注入相比，三种模型均获得了同样显著且一致的提升。与完整、未经筛选的上下文拼接相比，后者对可用上下文设置的是软上限，而非对响应质量设置上限；内核管理的注入在三种模型中的两种上表现出统计学上的相当水平，在第三种模型上则出现了轻微且与模型相关的性能不足，同时使用的提示显著更短：三种模型的端到端延迟均降低了 15%–61%，每次调用的 token 使用量和推理成本也相应减少。这些结果表明，将记忆管理集中于智能体系统内核，而不是将检索和隐私执行留给各个智能体，能够以其一小部分成本，实现大部分不受约束上下文所带来的个性化收益。