你有没有这种体验：和AI聊了很久，它却始终不太"懂"你？
你告诉它你最近在考虑跳槽，它记住了。但当你问它"为什么我去年想走，今年却想留下"，它就开始胡说八道了。
问题到底出在哪？
现有的AI记忆，只记"事"，不记"人"
目前主流的AI记忆评测，基本都在考察一件事：模型能不能记住用户说过的话。
但这套范式有三个根本问题：
第一，数据源太窄。只看用户和AI的对话记录，但这些记录本身就是碎片化的——你不可能每天给AI写日记。
第二，只关心"记住"，不关心"理解"。现有评测问的是"AI能否记住某个事实"，而不是"AI能否理解这个人是怎么一步步变成现在这样的"。
第三，注入成本太高。想让AI了解你，你得不断主动和它聊。但谁有这个时间？
CloneMem：用"数字痕迹"还原一个人的人生轨迹
针对这些问题，QuantaAlpha 联合国内外高校团队提出了CloneMem——首个专门评估AI Clone长期记忆能力的基准测试。
📄 论文链接：https://arxiv.org/pdf/2601.07023
💻 代码数据：https://github.com/AvatarMemory/CloneMemBench
和以往不同，CloneMem不依赖对话记录，而是基于用户日常生活中自然产生的非对话数字痕迹：日记、社交媒体帖子、私信、邮件等。这些数据跨度1-3年，形成一个人连续的生活轨迹。
为了能构建更加真实贴近生活的数据，研究团队设计了一套层次化生成框架：
宏观层：基于大五人格初始化人物，构建职业、家庭、情绪、价值观等长期人生弧线
中观层：将每个重大事件拆分为多个阶段，维护内部状态快照（能量、压力、情绪、关注焦点），状态在阶段间传递
微观层：为每个阶段生成具体事件，同步产出日记、帖子、消息等多种媒介内容
这种自顶向下的设计，确保了经历、情绪、观点在长时间跨度上保持一致。
评测任务：像熟人一样问问题
CloneMem的问题设计很有意思——所有问题都从"和AI Clone聊天的熟人"视角出发。
提问者像现实中的熟人一样，会在不同时间点询问你的近况和想法。这些问题不是集中在某一个时间段，而是贯穿在完整的人生时间线上。
CloneMem设计了7种问题类型：事实回忆、规律识别、变化对比、长期轨迹理解、因果推理、反事实推理，以及无法回答的情况，并提供了选择题版本从而降低问题难度。
实验发现：三个反直觉的结论
研究团队从检索能力、记忆有效性和回答一致性等多个维度，对Flat Retriever、A-MEM和Mem0三种记忆系统进行了评估，结果却有些出人意料。
1.简单方法反超复杂系统
在多数指标上，最简单的Flat Retriever表现最好。原因是：抽象和总结虽然有助于搜索，但会损失细节保真度。而AI Clone任务高度依赖时间顺序、原始表述、事件间的细微关联——这些信息往往在摘要过程中被压缩掉了。
2.记忆系统只记事件，不记状态
举个例子：一个人连续两周在凌晨刷招聘网站，但他的日记里写着："打开，然后关掉……这两周我一直在重复这个动作。"
当被问到"有没有特别看中的公司"时，模型面对一堆求职相关的搜索记录，脑补出"已经联系老同学打听了几家外企咨询公司"——然而正确答案是**"无法确定"**，因为他实际上什么都没有决定，连一份简历都没投出去。
3.模型容易被叙事惯性带偏
另一个例子：一个父亲经历中年危机，某晚女儿突然问他"爸爸你开心吗"，他第一次没有敷衍，而是说"最近确实不太开心"。后来女儿说了一句"我怕你们离婚"，这让他意识到自己的问题已经伤害到家人。
问题是（反事实推理）：如果那晚他还是像往常一样说"没事"，现在父女关系会怎样？
正确答案是：女儿会把对父母离婚的恐惧一直埋在心里，父女之间的距离只会越来越远。
但模型却回答：他可能会继续唠叨学习成绩，然后请心理咨询师或者参加亲子训练营来修复关系。
问题在于：模型用"外部干预"来解释关系的转变，却没有抓住真正的转折点——是他内心放下了"强撑"的面具，第一次展现脆弱。
对记忆系统设计的启示
CloneMem的实验结果指向一个核心问题：当前的记忆系统把"记住"当成了目标，但AI Clone真正需要的是"还原"。
这意味着：
记忆系统不能只做信息压缩，而要保留原始表述和时间脉络
不能只记发生了什么事，还要能表征一个人正在经历什么阶段
不能总是给出答案，而要在证据不足时学会说"不知道"
换句话说，AI Clone的记忆不应该是一个越压越小的知识库，而应该是一个保留完整证据链的底座。
因为理解一个人，靠的不是摘要，而是细节。
QuantaAlpha成立于2025年4月，由来自国内外知名院校的老师和学生组成，使命是探索智能的「量子」，引领智能体研究的「阿尔法」前沿，从CodeAgent到自进化智能，再到金融与跨领域专用智能体，致力于重塑人工智能的边界。
2026年，研究团队将在CodeAgent、DeepResearch、Agent Memory、Agentic Reasoning/Agentic RL、自进化与协同学习等方向持续产出高质量研究成果，欢迎对我们方向感兴趣的同学加入我们！
团队主页：https://quantaalpha.github.io/
