你见过这个场景吗：一个运行了几周的AI助手，仍然自信地重复着用户几周前就不再成立的个人信息。它记得你旧公司的地址，却不知道你已经跳槽了。

这不是偶然的失误。新加坡国立大学的研究人员Zitong Shi、Yixuan Tang和Anthony Kum Hoe Tung给这个现象起了个名字——**幽灵记忆**。


问题很简单，也很隐蔽。用户的记忆不是静态的。地址会变，工作会换，计划会调整。但大多数长期记忆系统把所有事实都当作“永恒真理”来存储。旧事实、当前事实、以及两者之间的变更记录，全部混在记忆库里。检索时，它们一起被捞出来，送到答案模型面前。模型不知道哪个是现在的，哪个是过去的，只能猜。

有网友一针见血地指出：“幽灵记忆不是检索bug。它证明了存储事实和学习什么是真的，是两个不同的问题。一个不能表达‘这曾经是真的’的记忆库，不是记忆，是带有妄想症的缓存。”

研究团队提出的解决方案叫**A-TMA**，一个状态感知的覆盖层。它的做法很聪明：不删除旧记录，而是保留被取代的事实和变更记录。当查询进来时，它构建一个证据包，明确标注哪些是当前事实、哪些是历史事实、哪些是变更说明。这样答案模型拿到的不再是一堆混杂的信息，而是带标签的证据。

效果如何？在专门为幽灵记忆设计的冲突密集型基准LTP上，给Graphiti加上A-TMA后，冲突准确率提升了0.240。在另一个长时间对话泛化评估LoCoMo上，时间F1从0.0295跃升到0.1705。

大多数记忆基准只报告最终的QA准确率。这个数字看起来很漂亮，但它隐藏了幽灵记忆真正发生的位置。研究人员呼吁，应该分别评估记忆库维护、检索和答案生成这三个层面的故障。

如果你在构建持久化助手，有个建议值得试试：**分别评估你的记忆库、检索器和答案模型**。别只看最终准确率。

论文：https://arxiv.org/abs/2607.01935

想深入学习如何构建有效的AI代理？可以看看DAIR.AI Academy的课程：https://academy.dair.ai/