腾讯团队开源「T-Mem」记忆系统：用预演机制填补联想性召回盲区

T-Mem 的问题意识来自一个对现有架构的统一判断：Flat RAG、图结构记忆（GraphRAG、Zep、HyperMem）、agentic 层级记忆（Mem0、A-Mem、MemoryBank）、操作系统式记忆内核（MemGPT、MemOS、MIRIX）虽然结构各异，检索配方却完全相同——把查询和存储内容投进同一个相似度空间（BM25 或稠密向量），取 top-K。据该发布内容，这决定了一件事：记忆的"可达性"被相似度封顶。

论文把这一封顶拆成两类召回。查询与记忆共享表面特征时（同样的措辞、同一个实体、同一个时间地点），相似度检索工作良好，这是描述性召回；但长对话里还有同样常见的另一半：查询与记忆零表面重合，绑定二者的只有一条潜在的语义弧，比如因果关系或同一情境的延续，这是联想性召回。发布内容给出的例子是：一个月前用户说过"团队里有人严重海鲜过敏"，今天问"今晚团队去哪儿吃饭"，两句话没有任何词汇重合，前者却恰恰是后者的必答依据。

由此得到 2×2 检索设计空间："粒度"（单条事实／完整对话段）与"取向"（描述性／联想性）两个正交轴。论文指出，现有系统全部挤在第一、第四象限，即描述性的一半；第二、第三象限的联想性一半，是这套检索配方的结构性盲区。这是 T-Mem 的设计起点。

T-Mem 的答案借自认知科学中的"情景未来思维"——人在回忆过去时会为未来的线索预演经验。它的工程对应物是 trigger：写入记忆时，由构建用的大模型离线算好并随宿主存放的一条预测，回答"这条记忆会在什么情境下重新变得重要"。其架构意义在于解耦两件事：一条记忆"如何被到达"与"什么算答案证据"。当相似度找不到宿主时，查询仍可经由宿主的某条 trigger 命中它，每条记忆因此同时保有描述性入口和联想性入口。

四个 trigger 家族各占设计空间的一个象限。Entity Trigger（事实×描述）给原子事实一个上位概念名，例如"海鲜过敏"的实体触发器可能落在"饮食限制"上；Bridge Trigger（事实×联想）把事实投射到一个"知道它就会有用"的具体情境并附一步推理理由，例如把过敏事实投射到"为团队晚餐选餐厅"，这是纯联想轴，相似度检索完全无法覆盖；Scene Trigger（场景×描述）从情境、对象、事件、情绪四个正交属性各用一句话描述当前场景；Horizon Trigger（场景×联想）把同一场景投射到一组前瞻维度，让未来的查询从相关但不同的情境接近时仍能命中它。其中 Entity 和 Scene 服务的是相似度检索已覆盖的那一半，Bridge 和 Horizon 才是填补盲区的两族。

记忆被组织成五类对象的类型化图：scene（按事件闭合切分的连贯对话段，作为证据）、item（从 scene 抽取的原子事实，可锚定到多个源 scene 以承载跨场景逻辑链）、topic 标签（只用于限定抽取范围和检索预过滤，明确不进入问答通道）、四族 trigger（只参与检索，永不出现在证据里）、按说话人聚合的 persona（作为环境上下文附在证据之后，不占用检索预算）。三条设计承诺是：证据层按类型隔离、topic 不污染问答、trigger 不进入证据路径。