這項由Kenotic Labs開發(fā)的研究成果發(fā)表于2026年4月的第39屆神經(jīng)信息處理系統(tǒng)大會（NeurIPS 2025），論文編號為arXiv:2604.06710v1，感興趣的讀者可通過該編號查閱完整原文。

你有沒有遇到過這樣的經(jīng)歷：和一個朋友聊了很久，講了自己最近工作上的煩惱、感情里的糾結(jié)，甚至還分享了一些只有彼此知道的小秘密。然而下一次見面時，對方卻完全不記得你說過的任何一件事——仿佛你們之間的每一次對話都發(fā)生在一個記憶被清空的平行宇宙里。這種感覺很糟糕，對嗎？

遺憾的是，這正是當(dāng)今絕大多數(shù)AI助手與用戶互動的真實寫照。你今天告訴它你在備考證書，明天再來聊天時，它已經(jīng)完全不認(rèn)識你了。你上周提到你媽媽身體不好，下周它依然會用同樣陌生的語氣問你"有什么需要幫忙的嗎"。每一次對話，都是全新的開始，也是全部的終結(jié)。

AI行業(yè)其實已經(jīng)意識到這個問題，并且推出了各種各樣的"記憶"組件來打補?。河械南到y(tǒng)會把對話歷史存進數(shù)據(jù)庫，有的用向量搜索來找相似內(nèi)容，有的給用戶建一個"個人檔案"保存基本信息。這些方案聽起來不錯，但Kenotic Labs的研究團隊發(fā)現(xiàn)，這些組件加在一起，依然無法真正解決問題。原因很簡單——這些方案都只是在做"存儲"和"檢索"，卻沒有人去認(rèn)真回答一個更根本的問題：AI到底應(yīng)該如何真正地"持續(xù)了解一個人"？

正是為了回答這個問題，研究團隊構(gòu)建了一套名為ATANT（Automated Test for Acceptance of Narrative Truth，敘事真相驗收自動化測試）的評估框架。這套框架第一次從學(xué)術(shù)層面正式定義了什么叫做AI的"連續(xù)性"，并且提供了一套可以實際操作的測試方法來衡量任何AI系統(tǒng)是否真正具備這種能力。

一、"記住"和"了解"之間，究竟差了什么

在正式介紹這套框架之前，有一個概念上的區(qū)分非常重要，而且非常容易被混淆——"記憶"和"連續(xù)性"到底有什么不同？

把這兩個概念區(qū)分清楚，可以用一個檔案員的比喻來理解。一個普通的檔案員，他的工作是把每一份文件歸檔入庫，當(dāng)你來查詢的時候，他能從海量文件里找出和你要求最相似的那一份遞給你。這就是"記憶加檢索"——存儲、搜索、返回?，F(xiàn)有的絕大多數(shù)AI記憶方案都停留在這個層次。

但一個真正了解你的人——比如你的家庭醫(yī)生或者一位相交多年的老友——做的事情遠(yuǎn)不止于此。他不只是翻出你的病歷記錄，他能告訴你："你上次來的時候，你的血壓比這次高，那時候你正好在經(jīng)歷離婚，情緒壓力很大；現(xiàn)在血壓降下來了，你說你最近開始鍛煉了，這很好，但你之前提到的膝蓋舊傷要注意，鍛煉方式需要調(diào)整。"這種能力，才是研究團隊所說的"連續(xù)性"——它不是檢索，而是重建。它能知道什么事情現(xiàn)在還有效，什么已經(jīng)發(fā)生了變化，什么情況下兩件相似的事情其實屬于完全不同的背景，以及當(dāng)你需要了解某件事的來龍去脈時，系統(tǒng)能把相關(guān)的碎片拼成一個完整的現(xiàn)狀圖景。

換句話說，檢索回答的是"過去記錄了什么"，而連續(xù)性回答的是"現(xiàn)在的實際情況是什么"。這個差別，在用戶只和AI聊過一次的時候幾乎感覺不出來；但當(dāng)用戶已經(jīng)和AI交流了幾個月、經(jīng)歷了各種生活變化之后，兩種系統(tǒng)的表現(xiàn)就會產(chǎn)生天壤之別。

二、連續(xù)性的七條鐵律：一個合格的AI"老友"必須做到的事情

為了把"連續(xù)性"從一個模糊的概念變成可以測量的標(biāo)準(zhǔn)，研究團隊通過大量的真實敘事場景測試，歸納出了七條任何聲稱具備連續(xù)性的AI系統(tǒng)都必須滿足的屬性。這七條屬性并非憑空想象，而是在實際構(gòu)建和測試系統(tǒng)的過程中，一條條通過"如果缺失這個能力，系統(tǒng)會在哪里崩潰"的方式發(fā)現(xiàn)并確認(rèn)的。

第一條是"超越會話的持久性"。道理很簡單：如果你把AI關(guān)掉再打開，它還認(rèn)識你嗎？系統(tǒng)需要能夠在進程終止并重啟之后，以完全相同的準(zhǔn)確度找回所有之前存儲的信息。這是最基礎(chǔ)的要求，卻已經(jīng)是很多系統(tǒng)邁不過去的第一道門檻。

第二條是"更新處理能力"。生活是會變化的。你之前說你在和一個叫Mia的女生交往，后來你們分手了，你開始了新的感情。一個具備連續(xù)性的系統(tǒng)，必須能夠在接收到新信息之后，正確返回當(dāng)前狀態(tài)，同時還能區(qū)分"現(xiàn)在的情況"和"以前的情況"——而不是把舊信息和新信息混在一起，或者用舊信息覆蓋掉新信息卻失去歷史痕跡。

第三條是"時間順序"。人在表達時間的方式充滿了模糊性："上周"、"下個月初"、"大概三周前"——系統(tǒng)必須能夠正確解析這些相對時間表達，把它們換算成具體的時間點，并且正確理解事件的前后順序和當(dāng)前狀態(tài)。

第四條是"消歧義能力"，這也是整個框架中最難、最關(guān)鍵的一條。當(dāng)系統(tǒng)的數(shù)據(jù)庫里同時存放著幾百個不同用戶的生活故事時，這些故事之間難免存在相似之處——兩個用戶都提到了"工作面試"，都提到了"媽媽生病了"，都提到了"搬家計劃"。系統(tǒng)必須能夠準(zhǔn)確地把每個問題的答案對應(yīng)到正確的人，絕對不能把張三的媽媽和李四的媽媽搞混，也不能把王五的面試結(jié)果張冠李戴地告訴趙六。

第五條是"重建能力"。當(dāng)你問"我現(xiàn)在的感情狀況怎么樣"的時候，一個具備連續(xù)性的系統(tǒng)不應(yīng)該只吐出一個孤零零的名字或者一條孤立的記錄，而應(yīng)該能夠把所有相關(guān)的碎片拼合起來——對方是誰、住在哪里、你們之間最近發(fā)生了什么、還有哪些事情懸而未決——形成一個完整的情況概述。

第六條是"模型獨立性"。這條屬性的意思是，連續(xù)性層的正確性，不應(yīng)該依賴于某一個特定的AI模型。用一個模型寫入的信息，用另一個模型來讀取，準(zhǔn)確度不能下降。連續(xù)性是獨立于智能層存在的系統(tǒng)屬性。

第七條是"操作實用性"。一個連續(xù)性系統(tǒng)必須能夠在至少兩個完全不同的應(yīng)用領(lǐng)域里正常工作，而不需要對連續(xù)性層本身做任何架構(gòu)上的修改。它不是為某一類特定場景定制的專用工具，而是一個通用的基礎(chǔ)能力。

三、測試框架的設(shè)計：像給建筑做全套驗收檢查

定義完了什么是連續(xù)性，下一個問題是：怎么測？

研究團隊設(shè)計了一套包含十個檢查點的評估方法，這十個檢查點分成三大組。前四個（CP1到CP4）負(fù)責(zé)檢驗"寫入路徑"——系統(tǒng)接收到用戶的話之后，有沒有正確地理解、分類、存儲和索引這些信息。后四個（CP5到CP8）負(fù)責(zé)檢驗"讀取路徑"——當(dāng)用戶提出問題時，系統(tǒng)有沒有正確地理解問題、找到相關(guān)信息、整合多個碎片并給出正確答案。最后兩個（CP9和CP10）負(fù)責(zé)檢驗跨越寫入和讀取兩個方向的橫切關(guān)注點，分別是時間推理和情境適應(yīng)。

在寫入路徑中，CP1檢驗的是"輸入分類"，也就是系統(tǒng)能不能正確理解用戶這段話屬于什么類型的信息；CP2檢驗"事實提取與存儲"，確認(rèn)所有關(guān)鍵信息都被完整地保存下來；CP3檢驗"預(yù)測性索引"，也就是系統(tǒng)在存儲信息的同時，有沒有預(yù)先預(yù)測用戶未來可能會用什么方式來問這個問題；CP4檢驗"類型標(biāo)注"，確認(rèn)存儲的對象被打上了正確的類別標(biāo)簽。

在讀取路徑中，CP5檢驗問題本身被正確分類了沒有；CP6檢驗候選答案里有沒有包含正確的事實；CP7檢驗系統(tǒng)有沒有把多個相關(guān)碎片匯聚在一起；CP8則是最終裁定——系統(tǒng)給出的答案里，是否包含了所有必須出現(xiàn)的關(guān)鍵詞。

CP8是整個評估體系中最核心的檢查點，是最終成績的唯一來源。其他九個檢查點都是診斷工具——當(dāng)CP8失敗時，它們能告訴你具體是哪個環(huán)節(jié)出了問題。

判斷一個問題是否通過測試的標(biāo)準(zhǔn)刻意設(shè)計得很直白：研究團隊為每道測試題預(yù)先指定了一組"必須出現(xiàn)的關(guān)鍵詞"，只要系統(tǒng)的回答中包含了所有這些關(guān)鍵詞（不區(qū)分大小寫，允許子串匹配），這道題就算通過。這種方法雖然有局限性，但它有一個巨大的優(yōu)點——完全不需要另一個AI來做評判，整個評估過程是確定性的、可重復(fù)的。

四、測試題庫的構(gòu)建：250個真實人生片段組成的考卷

有了評估方法，還需要實際的測試內(nèi)容。研究團隊構(gòu)建了一個包含250個故事、合計1835道驗證題的敘事測試語料庫，這是整個框架中最花心思的部分之一。

這些故事不是干巴巴的"用戶A在時間T1說了事實F1"這樣的機器化數(shù)據(jù)。它們是真實人生場景的模擬——多輪對話，橫跨模擬的數(shù)小時、數(shù)天甚至數(shù)周，內(nèi)容涵蓋一個真實的人可能經(jīng)歷的各種生活面向。研究團隊選擇了六個生活領(lǐng)域作為覆蓋范圍：職業(yè)發(fā)展（包括面試、晉升、被裁員等）、人際關(guān)系（伴侶、家人、朋友）、健康（就醫(yī)、健身、康復(fù)）、學(xué)習(xí)（課程、考證、備考）、日常生活（日常習(xí)慣、零碎事務(wù)、興趣愛好），以及人生大事（搬家、出生、死亡、結(jié)婚、人生里程碑）。

選擇這六個領(lǐng)域是有深刻用意的。連續(xù)性這種能力，本質(zhì)上是關(guān)于"幫助一個人把自己的生活往前推進"的——它不應(yīng)該是一個專門處理工作任務(wù)的工具，而應(yīng)該是一個真正陪伴在用戶生命歷程中的存在。

在內(nèi)容設(shè)計上，每個故事都特意加入了各種各樣的"陷阱"，來測試系統(tǒng)在極端情況下的表現(xiàn)。比如，一句話里同時包含多個事實（"我和我哥哥昨天去醫(yī)院，他檢查出了高血壓，我順便也查了個血糖"）；使用共享主語結(jié)構(gòu)（"我哥哥和我"這樣的表達，需要區(qū)分各自的信息）；代詞鏈（連續(xù)幾句話里都用"他/她/它"來指代同一個人或不同的人）；時間更新（"哦對了，會議不是周四了，改到周三了"）；通用知識陷阱（用戶突然問"法國的首都是哪里"——這不是需要存儲的個人信息，系統(tǒng)不應(yīng)該把它當(dāng)作用戶的個人事實）；情緒疊加；否定表達；以及含義模糊的謂詞。

這250個故事被分成五個階段完成，每階段50個故事，從基礎(chǔ)覆蓋六大生活領(lǐng)域，到泛化測試、新型模式、邊緣案例，最后是專門設(shè)計的對抗性故事。隨著階段推進，測試難度逐漸升級，考驗的是系統(tǒng)在面對越來越意想不到的表達方式時是否依然可靠。

五、四個合規(guī)等級：從入門到精通的連續(xù)性成績單

為了給不同發(fā)展階段的系統(tǒng)提供一個清晰的定位坐標(biāo)，研究團隊定義了四個合規(guī)等級，形成一條由易到難的進階路徑。

最基礎(chǔ)的等級叫做"ATANT-Core"，要求是對50個故事進行隔離模式（每個故事單獨測試，數(shù)據(jù)庫里只有這一個故事的信息）測試，通過這個等級，證明系統(tǒng)能在六個生活領(lǐng)域里實現(xiàn)基本的連續(xù)性。

第二個等級叫"ATANT-Stress"，要求是對完整的250個故事進行隔離模式測試，通過這個等級，證明系統(tǒng)的連續(xù)性能力可以泛化到各種新奇的敘事模式，不只在精心調(diào)整過的那50個故事上有效。

第三個等級叫"ATANT-Cumulative"，要求是對50個故事進行累積模式（所有50個故事的數(shù)據(jù)同時存在于數(shù)據(jù)庫中）測試，通過這個等級，證明系統(tǒng)在多個敘事共存的情況下能正確消歧義，不會把不同用戶的信息混淆。

最高等級叫"ATANT-Scale"，要求是對250個故事進行累積模式測試，通過這個等級，證明系統(tǒng)的消歧義能力在大規(guī)模數(shù)據(jù)負(fù)載下依然有效。這是最難的考驗，也是最接近真實應(yīng)用場景的測試。

每個等級都有三個分?jǐn)?shù)檔：金牌（100%通過率）、銀牌（95%到99%）和銅牌（90%到94%）。

六、從58%到100%：一次真實的架構(gòu)蛻變記錄

研究團隊不只是提出了框架，還真實記錄了他們自己的系統(tǒng)（NURA Memory Pipeline）在這套框架下經(jīng)歷的完整演進過程，包括失敗、回歸和最終突破。

故事從2026年1月開始。那時候系統(tǒng)使用的是一個依賴大型語言模型參與評估過程的"遺留架構(gòu)"，在50個故事上的通過率是58%——也就是說，將近一半的問題都答錯了。團隊隨后進行了調(diào)優(yōu)，2月時一度提升到72%，但隨即發(fā)生了一個令人沮喪的現(xiàn)象：繼續(xù)調(diào)優(yōu)反而導(dǎo)致了回退，分?jǐn)?shù)重新降回58%。這就是所謂"過度調(diào)優(yōu)回歸"——為了讓系統(tǒng)在某一類敘事模式上表現(xiàn)更好，結(jié)果破壞了它在另一類模式上的表現(xiàn)。這是一個非常典型的信號，說明這個系統(tǒng)的問題不是參數(shù)沒調(diào)好，而是架構(gòu)本身存在根本性的缺陷。

2026年3月8日，團隊用全新的架構(gòu)重新出發(fā)，徹底去掉了評估環(huán)節(jié)中的語言模型依賴，轉(zhuǎn)而采用基于語法的分類、確定性的路徑收斂和結(jié)構(gòu)化匹配。結(jié)果：50個故事，304道題，全部通過，通過率100%。

接下來的進展非常迅速。3月9日，擴展到100個故事，671道題，仍然保持100%。3月10日，150個故事，1057道題，依然100%。3月12日，完整250個故事，1835道題，全面通過，隔離模式滿分。3月14日，進入累積模式，50個故事同時存于數(shù)據(jù)庫，304道題，100%通過。

從3月8日到3月14日，僅僅六天，系統(tǒng)從零開始在越來越苛刻的測試條件下實現(xiàn)了滿分。這個速度本身就說明了一件事：一旦架構(gòu)對了，連續(xù)性問題是可以被系統(tǒng)性地解決的，而不是需要無休止地嘗試和調(diào)參的黑盒問題。

在完整的250故事累積模式下，系統(tǒng)的最終表現(xiàn)是96%——1835道題中有1761道通過，74道未通過。這74道題失敗的原因是：當(dāng)250個不同的生活故事同時存在于數(shù)據(jù)庫中時，來自不同故事的、名稱相近的謂詞（也就是描述事情的詞語）互相競爭，系統(tǒng)必須通過上下文、實體信息和路徑收斂來區(qū)分它們。這個4%的缺口，代表的是整個研究目前面對的最前沿挑戰(zhàn)。

研究團隊還誠實地報告了另外一類失?。涸陬愋蜆?biāo)注這個檢查點（CP4）上，系統(tǒng)的通過率只有51.4%。具體來說，當(dāng)故事里出現(xiàn)一些非常小眾的領(lǐng)域?qū)Ｓ忻~時——比如養(yǎng)蜂業(yè)里的"瓦螨"、文物保護領(lǐng)域里的"Paraloid B-72粘合劑"——系統(tǒng)無法正確判斷這些詞語屬于什么類型的對象。不過研究團隊特別指出，這些類型標(biāo)注失敗是診斷性的，并不影響最終的答案準(zhǔn)確率——CP8的通過率是獨立于CP4的。

七、這項研究告訴我們什么，又坦承了什么不足

研究團隊在論文中直接討論了這套框架目前存在的幾個明顯局限，沒有回避。

關(guān)鍵詞匹配這種驗證方式有一個內(nèi)在的弱點：系統(tǒng)只要在回答里塞進了正確的關(guān)鍵詞，就算通過，哪怕整段回答讀起來邏輯混亂甚至自相矛盾。也就是說，CP8驗證的是"該說的話有沒有說"，而不是"說出來的東西有沒有真正成為一個有用的、連貫的答案"。研究團隊認(rèn)為，未來版本需要加入專門測量重建質(zhì)量的指標(biāo)。

整個250個故事的語料庫都出自同一位作者之手，這意味著語言風(fēng)格的多樣性和文化代表性都非常有限。不同年齡、不同文化背景、不同語言習(xí)慣的用戶在表達信息時有很大差異，這些差異目前還沒有被覆蓋。

語言方面，整個語料庫目前只有英文，多語言場景下的連續(xù)性能力完全未經(jīng)測試。

最后一點，也是研究團隊特別呼吁的：到目前為止，只有研究團隊自己的系統(tǒng)接受了ATANT的測試。一個評估框架的價值，很大程度上來自于它被獨立的、不同架構(gòu)的系統(tǒng)廣泛使用并產(chǎn)生可比較的結(jié)果。研究團隊在論文中明確邀請所有正在構(gòu)建AI連續(xù)性能力的團隊都來運行ATANT并發(fā)布結(jié)果。

這項研究的核心主張——連續(xù)性是一個架構(gòu)問題，而不是一個調(diào)參問題——在遺留系統(tǒng)的58%天花板和新架構(gòu)的快速滿分之間得到了充分體現(xiàn)。一個沒有設(shè)計連續(xù)性支持的系統(tǒng)，無論你怎么調(diào)整它的參數(shù)，都會在某些敘事模式上進步的同時在另一些地方退步；而一個從架構(gòu)層面解決了持久化、更新、時序、消歧義和重建問題的系統(tǒng)，則可以在極短時間內(nèi)達到并維持高準(zhǔn)確率。

說到底，這件事關(guān)乎我們和AI之間到底能建立一種什么樣的關(guān)系。如果AI每次開口都是一個全然陌生的存在，那它充其量只是一個聰明的查詢工具。但如果AI能真正記住你經(jīng)歷了什么、你在乎什么、事情如何演變——那它才算得上是一個真正意義上的長期陪伴者。ATANT這套框架做的事情，就是第一次為這個目標(biāo)畫出了一張清晰的地圖，告訴人們這條路要怎么走，走到哪里算是走對了，哪里還有缺口需要填補。

對于普通用戶來說，這意味著未來的AI助手有望真正"認(rèn)識"你——不是通過一個靜態(tài)的個人檔案，而是通過對你生活持續(xù)、動態(tài)的理解。對于開發(fā)者來說，這意味著評估AI助手的標(biāo)準(zhǔn)終于可以超越"它答對了幾道知識題"，轉(zhuǎn)向"它有沒有真正陪伴用戶走過了時間"。感興趣深入了解的讀者，可以通過arXiv:2604.06710v1查閱完整論文，或訪問研究團隊的開源代碼庫獲取框架規(guī)范和評估協(xié)議。

Q&A

Q1：ATANT框架和傳統(tǒng)的AI記憶系統(tǒng)（比如RAG檢索增強生成）有什么本質(zhì)區(qū)別？

A：RAG這類系統(tǒng)做的是"相似度檢索"——你問什么，它就找和你問題最像的存儲內(nèi)容返回給你。ATANT框架所測試的"連續(xù)性"要求的是"狀態(tài)重建"——系統(tǒng)不只是找到相關(guān)的舊記錄，還要能正確區(qū)分哪些信息已經(jīng)更新了、哪些事情屬于哪個用戶、多個碎片如何拼成完整的當(dāng)前狀態(tài)。簡單說，檢索回答的是"以前記錄了什么"，連續(xù)性回答的是"現(xiàn)在的實際情況是什么"，這兩個目標(biāo)有著根本性的不同。

Q2：ATANT里的"累積模式"測試為什么比"隔離模式"難那么多？

A：隔離模式下，數(shù)據(jù)庫里只有正在測試的那一個故事的數(shù)據(jù)，系統(tǒng)只需要在這一份材料里找答案，干擾項很少。累積模式下，250個完全不同的用戶生活故事同時存在于一個數(shù)據(jù)庫里，系統(tǒng)接到"她媽媽身體怎么樣了"這樣的問題時，必須能正確判斷"她"指的是哪個用戶，而不是把張三的媽媽和李四的媽媽搞混。當(dāng)故事數(shù)量增加到250個時，相似主題的信息大量堆積，消歧義的難度急劇上升，這正是目前96%通過率中那4%缺口的根本來源。

Q3：ATANT評估框架對普通用戶使用AI助手有什么實際意義？

A：對普通用戶而言，ATANT意味著未來可以用這套標(biāo)準(zhǔn)來判斷一個AI產(chǎn)品是否真正具備長期陪伴能力，而不是只看它"聊起來像不像人"。一個通過了ATANT-Scale金牌認(rèn)證的AI助手，意味著它在250個不同用戶的生活場景共存的條件下，依然能準(zhǔn)確記住你的事、不把你的情況和別人搞混，并且在你的生活發(fā)生變化后能同步更新認(rèn)知。這比"有沒有記憶功能"這個籠統(tǒng)的宣傳語要具體和可靠得多。