📊 智能体 · 基准评测
首个金融 Agent 个性化记忆基准 FinPerMA 发布：理论框架 + 事件驱动双引擎
FinPerMA 将认知科学中的记忆理论引入 Agent 评测，用真实金融事件序列检验智能体的个性化记忆能力——为「AI 是否真正记住了用户」提供了第一把可量化的尺子。
综合公开信息整理•
2026-07-22•
全文约 3 分钟读完
#FinPerMA
#AI Agent
#个性化记忆
#金融场景
3 层
记忆架构：工作 / 情景 / 语义
5 维
评测体系，覆盖记忆全链路
200+
事件驱动任务，锚定真实金融场景
⚡ 30 秒速览
- 理论根基：首次将认知科学中工作记忆、情景记忆、语义记忆三分法引入 Agent 评测设计。
- 事件驱动：评测任务锚定真实金融事件序列，检验 Agent 记忆的时序一致性与检索准确性。
- 个性化焦点：不只考「记不记得」，更考「是否记住了这个用户的偏好与决策习惯」。
- 金融先行：覆盖财报发布、市场异动、投资决策等场景，为垂直领域 Agent 提供可复用的评测范式。
01为什么需要一个「记忆基准」？
大模型 Agent 的能力竞争，正在从「智商」转向「记忆」。一个能答对数学题却记不住用户持仓偏好的金融助手，在真实场景中几乎没有价值。
但现有的 Agent 评测基准，大多聚焦于单次任务完成率——给一个指令，看结果对不对。它们几乎不考察：Agent 能否在跨会话、跨事件的长周期里，持续记住并正确调用用户的个性化信息。
换句话说：考「记性」的基准，长期缺席。
FinPerMA 的推出，正是为了填补这个空白。
传统任务基准
单次指令 → 单次结果。测「会不会做」，不测「是否记得」。
FinPerMA 记忆基准
多事件序列 → 跨会话检索。测「记得准不准」「用得好不好」。
注：传统基准解决的是「能力下限」问题，FinPerMA 试图定义「能力上限」——即 Agent 在长期关系中能积累多少有效记忆。
02FinPerMA 的底层逻辑
FinPerMA 的独特之处，在于它不是一个「拍脑袋」的任务集，而是有认知科学理论作为骨架。论文将人类记忆系统映射为 Agent 记忆的三层架构：
情景记忆→事件抽取→偏好建模→个性化输出
每一层都有明确的评测目标。情景记忆层考察 Agent 能否从新闻、财报、交易记录中提取关键事件；偏好建模层考察能否将离散事件归纳为稳定的用户特征；个性化输出层则检验最终回答是否真正适配特定用户。
记忆提取准确率
理解事件关联
保持跨会话一致性
应用个性化程度
注：四个维度分别对应记忆的「获取—组织—存储—调用」阶段，任何一环失效都会拉低综合得分。
03它具体怎么考？三个典型评测场景
📰 财报记忆：Q2 营收增速还记得吗？情景记忆
- Agent 先后接收多份财报与新闻，随后被问及特定季度的关键指标。
- 考察能否从长文本中定位目标信息，并排除相似事件的干扰。
- 进阶难度：要求 Agent 区分「同一公司不同季度」与「不同公司同季度」的混淆项。
📈 事件关联：美联储加息如何影响用户持仓？个性化
- 用户此前明确表示「偏好低波动资产」，Agent 需在后续分析中自动代入该偏好。
- 考察 Agent 能否将宏观事件与用户微观画像结合，给出个性化判断。
- 关键评分点：回答是否体现「记忆」，而非仅依赖通用知识。
🧠 跨会话一致：三天前的对话还记得吗？语义记忆
- 模拟真实用户与 Agent 的多次交互，间隔数天，考验长期记忆保持。
- 用户中途可能「改变主意」，Agent 需识别偏好漂移并更新记忆。
- 考察重点：记忆是「死记硬背」还是可更新的动态模型。
04一个诚实的注脚
FinPerMA 的价值在于把「记忆」这个模糊概念工程化——它给出了可操作的评测维度，让 Agent 的记忆能力第一次可以被横向比较。
但需要清醒看待的是：该基准目前聚焦金融垂直领域，其任务设计与记忆粒度是否适用于通用场景，仍需验证。个性化记忆的评估天然带有主观性——「记住了」与「运用恰当」之间的边界，在不同用户身上可能截然不同。
此外，评测集规模与真实用户数据的分布差异，也是后续需要持续校准的课题。
05怎么读这件事
编辑核心判断
当 Agent 的能力竞争从「单次智商」转向「长期记忆」，评测基准的进化才是真正的分水岭。FinPerMA 的价值不在榜单本身，而在于它第一次把「用户是否被记住」变成了可量化、可优化的工程指标——这才是个性化 AI 走向可信的关键一步。