Previously — Benchmark Data

这是一个用于Previously平台的种子对话数据集，包含20个完整人物角色，每个角色有30轮多轮对话，跨越3-4年时间线，具有丰富的元数据，适用于Previously记忆架构。数据集源自WorldMemArena基准测试（CC BY-NC 4.0许可），每个角色代表一个虚构个体，具有连贯的多年度生活故事，涵盖职业发展、家庭动态、健康挑战、财务决策、爱好和个人成长等方面。This is a seed dialogue dataset for the Previously platform. It comprises 20 complete character roles, each with over 30 rounds of multi-turn dialogues, spanning a 3-4 year timeline, and includes rich metadata, making it suitable for the Previously memory architecture. The dataset is derived from the WorldMemArena benchmark (licensed under CC BY-NC 4.0). Each role represents a fictional individual with a coherent multi-year life story, covering aspects such as career development, family dynamics, health challenges, financial decisions, hobbies, and personal growth.

原始信息汇总

数据集概述

数据集名称: Previously — Benchmark Data

数据集目的: 为个人AI指挥官平台 Previously 提供预置的种子对话数据集，使用户无需等待积累个人对话历史即可体验完整的记忆系统。

数据集组成

• 20个完整人物角色 (Personas): 每个角色均为虚构个体，包含涵盖3-4年、30轮多轮对话的完整情节记忆存储。
• 数据量: 每个角色平均约57,000词（相当于一部短篇小说）。
• 数据来源: 源自 WorldMemArena 多模态记忆基准数据集（461个样本、8,489次会话、59,239轮对话、40,194个标注记忆点），从中选取了20个个人样本。

人物角色列表

角色ID	人物简介
personal_01	Marisa Elaine Cardenas — 县级恢复实地主管
personal_02	Lucia Elena Montoya — 法庭口译员，公民改革倡导者
personal_03	Derek Anthony Kubik — 熟练电工，IBEW Local 5
personal_04	Tasha Nicole Whitfield — 丧亲协调员，罗利
personal_05	Nathaniel James Hollis — 公交调度分析员，COTA
personal_06	Hannah Louise Mercer — 注册官，普罗维登斯艺术博物馆
personal_07	Evan Michael Dorsey — 采购分析员，学区
personal_08	Jermaine Allen Booker — 安全培训师，Feeders Supply
personal_09	Nadia Samira Rahal — 家庭服务接收案件社工
personal_10	Kelli Ann Brotherton — 营收周期负责人，爱达荷州埃米特
personal_11	Monica Renee Halverson — 住房法规主管，密尔沃基
personal_12	Ariana Celeste Batiste — 档案管理员，口述历史项目
personal_13	Danielle Marie Rosas — 营养协调员，学区
personal_14	Caleb Martin Hebert — 洪水外展专家，哈里斯县
personal_15	Park Jae-hyun — 调度协调员，釜山
personal_16	Saira Nadeem Hussain — 运营主管，Westgate Pharmacy，利兹
personal_17	Colleen Margaret Sweeney — 教育经理，消防员大厅博物馆
personal_18	Jordan Elise Petrov — 运营规划师，Alder Street Roasting
personal_19	Nakamura Ayaka — 运营协调员，博多码头渡轮站
personal_20	Eric Matthew Lang — 冷链协调员，Freestore Foodbank

数据结构与格式

每个角色目录是一个自包含的情节记忆存储，结构如下：

• episodic/slices/: 按年/月/日/时间命名的对话切片（Markdown格式），每个切片包含YAML元数据和对话轮次。
• episodic/slices/_index.json: 月度索引，列出该月所有切片的元数据，用于快速扫描。
• episodic/strands.json: 关键词到切片路径的索引，每个标签串联起跨时间维度的相关对话。
• user/profile.md: 角色档案。
• quality-report.json: 元数据质量审核报告。

关键概念

• 时间切片 (Time Slice): 单个对话会话，YAML元数据包含 slice_id、focus、summary、tags、emotional_tone、open_loops、decisions。
• 月度索引 (Monthly Index): 轻量级扫描目标，辅助快速回忆系统。
• 语义线索 (Strands): 关键词到切片路径的索引，实现精确的对话回忆。
• 质量报告 (Quality Report): 由 Claude Haiku 生成，标记并修复元数据问题。

数据质量

每个切片经 Claude Haiku 4.5 审核，进行了以下优化：

• 将通用标签（如 work、family）替换为每轮4-8个具体的 kebab-case 标签（如 flood-mitigation-outreach）
• 修正情感基调（从统一的中性改为准确值）
• 修复被截断的焦点与摘要元数据
• 添加原始转换中遗漏的未解决行动项 每个角色生成约200-260个独特语义线索。

日期说明

原始 WorldMemArena 数据集时间线设置在2025-2028年，本仓库已将日期回拨3年，所有切片位于2022-2025年范围内。可通过 scripts/shift-all-dates.mjs --reverse 恢复原始日期。

许可协议

CC BY-NC 4.0，继承自 WorldMemArena。允许非商业目的分享和改编，需注明出处。

相关项目

• Previously：使用本数据的应用程序
• WorldMemArena：原始基准数据集
• WorldMemArena 论文

搜集汇总

数据集介绍

构建方式

该数据集源自WorldMemArena大规模多模态记忆基准，从中精选20个个人样本，每个样本包含30段跨越3至4年的多轮对话，平均每份样本约5.7万词，相当于一部短篇小说的体量。原始数据经转换脚本批量处理，从JSON格式转化为Previously平台专用的层次化记忆存储结构，随后由Claude Haiku模型执行元数据增强，涵盖标签优化、情感基调校正、焦点摘要修复与未完成任务补充，最终形成每个角色约200至260个语义线索的精细索引体系。时间线整体前移3年，确保所有记忆片段落于2022至2025年间，规避未来记忆的矛盾。

特点

该数据集的核心特色在于提供了一整套立即可用的情景记忆库，每个角色拥有完整的生平叙事，涵盖职业发展、家庭生活、健康挑战、财务决策与个人成长等多维主题。每个记忆片段均包含时间戳、焦点摘要、标签、情感基调、开放循环与决策记录等丰富元数据。独创的Flash/Pro双层记忆架构中，Flash系统通过月度索引与关键字线索快速定位相关对话，Pro模型则深度读取具体时间切片，实现高效精准的回忆检索。标签系统摒弃了通用分类，采用每片段4至8个具体可搜索的中划线标签，大幅提升检索精度。

使用方法

在Vercel部署Previously平台后，仅需设置环境变量DEMO_MODE=true即可启用。系统通过raw.githubusercontent.com直接读取本仓库数据，无需任何GitHub令牌或API密钥。用户从界面选择任一角色后即可立即展开对话交互，体验完整的记忆系统。每个对话轮次均被实时记录为新时间切片，逐步构建用户自身的记忆堆栈。如需从原始数据复现，可通过Hugging Face下载WorldMemArena样本，依次执行格式转换与元数据增强脚本，并配置ANTHROPIC_API_KEY以调用Claude Haiku完成质量优化。

背景与挑战

背景概述

在人工智能领域，具备长效记忆能力的智能体系统正逐渐成为研究焦点。由Previously实验室于2026年创建的Previously — Benchmark Data数据集，旨在为个人AI指挥官平台提供高质量的种子对话记忆数据。该数据集源自Liu等人提出的WorldMemArena多模态记忆基准，由加州大学圣塔芭芭拉分校团队贡献，包含20个完整虚构角色的生活叙事，每个角色拥有30轮跨越3至4年的多轮对话，总计约57K词。该数据集的发布推动了AI从短期交互向持续性记忆演进的探索，为智能体在缺席时执行任务并等待用户回归的范式奠定了数据基础。

当前挑战

当前数据集面临的核心挑战在于解决智能体长效记忆的建立与检索问题。首先，在领域层面，如何让AI系统从浩如烟海的对话历史中精准提取相关信息，避免遗忘或信息碎片化，是亟待突破的瓶颈。其次，在构建过程中，数据转换的复杂性构成显著挑战：原始WorldMemArena的JSON格式需转换为结构化的时间片与索引系统，同时要确保元数据质量，例如将宽泛标签替换为精确的可搜索关键词，矫正情感基调与摘要内容，并补全遗失的待办事项。此外，原始数据中2025至2028年的未来时间戳须后移至2022至2025年，以保证记忆的时序合理性，这一迁移过程涉及复杂的日期处理逻辑。

常用场景

经典使用场景

该数据集为个性化人工智能代理系统“Previously”提供了完整的种子记忆数据，包含20个虚拟人物的多轮对话历史，每个角色拥有约30次对话、横跨3至4年的生活轨迹。经典使用场景在于作为个人AI助手的长期记忆基底，使系统在启动时便具备丰富的上下文感知能力。研究者和开发者可借此模拟真实用户与AI代理的持续交互，评估代理在记忆召回、情感建模、任务延续等环节的表现，尤其适用于测评AI系统在长期认知连贯性、对话历史检索及个性化响应生成方面的能力边界。

衍生相关工作

该数据集衍生于知名多模态记忆基准WorldMemArena，但针对生产级应用场景进行了深度适配与质量增强。经典衍生工作包括：对原始WorldMemArena JSON格式进行结构化转换，开发专用的批量转换脚本与元数据富化流程；引入Claude Haiku模型进行标签语义化重写、情感基调校正、开放循环问题补全等自动化清洗操作，生成了每个角色200至260个唯一语义线索（Strands）的高密度记忆索引。此外，还完成了时间轴偏移处理以避免未来记忆悖论、质量审计报告的自动生成等工作，为构建高保真、可写回的个人记忆型AI架构奠定了工程与理论双重基础。

数据集最近研究

最新研究方向

在人工智能代理长期记忆系统构建的探索浪潮中，Previously Benchmark Data的提出标志着个性化情景记忆研究迈入了可复现与可基准测试的新阶段。该数据集源自前沿的多模态记忆基准WorldMemArena，通过对20个具备完整人生轨迹的虚拟角色进行精细化的情景记忆建模，每个角色均包含跨越三至四年、三十轮次的多轮对话，其独有的Flash/Pro分层记忆架构——即快速扫描与深度推理相结合——为破解AI代理在用户离线期间的持续性任务执行与个性化记忆召回提供了创新解法。与此同时，数据集对语料标签、情感基调及开放回路的细致质量审计，显著提升了记忆检索的精准度，回应了当前LLM应用领域对长程上下文连贯性与代理自主决策能力的热切关注，对推动下一代个人AI管家的商业化落地具有奠基性意义。