[CL]《Chronos: Temporal-Aware Conversational Agents with Structured Event Retrieval for Long-Term Memory》S Sen, E Lumer, A Gulati, V K Subbiah [PricewaterhouseCoopers] (2026)

在跨会话对话记忆领域，"什么时候发生了什么"始终是悬而未决的难题。现有系统要么构建覆盖一切的知识图谱——引入大量无关噪音；要么仅做语义检索——把"上次度假后那周"这类时间表达留给模型自行猜测。根本矛盾是：全量结构化带来上下文熵爆炸，纯粒度检索则丧失时间锚点，两者都无法按需提取。

本文的核心洞见是：把对话历史重新看作一部双轨日历——一条轨道存放从原始对话中提取的「主谓宾+ISO时间段」事件元组，另一条完整保留原始会话轮次。查询时，系统先生成针对该问题的定制检索指令，再驱动智能体在两条轨道间迭代工具调用。这一分离使时间过滤变为结构化区间查询，而非语言推断。

这项工作真正留下的遗产是：证明持久对话智能体不需要完整知识图谱，仅凭"时间事件+原文"的最小双索引，即可在五百题基准上达到92.6%准确率，超越此前最优系统7.67个百分点。它为后来者打开的新门是：查询条件驱动的选择性结构化——只提取当前问题所需的时间信息。但尚未跨过的门槛是：检索失败仍是最高频错误，说明在大规模历史数据面前，即便有精准指令，模型的定位能力依然是瓶颈。

arxiv.org/abs/2603.16862

机器学习 人工智能 论文 AI创造营