AutoViewMem：面向对话长期记忆的自配置正交视图

长期记忆对大语言模型（LLM）Agent在长程交互中保持一致性与个性化至关重要。现有记忆系统通常依赖固定粒度或静态模式，但当偏好、事件、约束与时间更新等异质信息嵌入单一混合表征时，这些设计难以奏效。由此产生的语义干扰使top-K检索对噪声敏感，相关证据常常排名不佳。我们提出AutoViewMem，一个数据驱动框架，在索引之前将长期对话记忆组织为自配置、低重叠的语义视图。AutoViewMem从交互痕迹中发现候选视图，选择紧凑且互补的视图集合，并用这些视图引导写入时的结构化提取，生成有出处的记忆。这种表征优先的设计将语义解耦从检索时移到写入时，使标准top-K相似度搜索无需显式路由或迭代检索即可取回聚焦的证据。我们进一步应用离线整合以提升记忆的紧凑性与一致性。在LoCoMo与PersonaMem基准上、在Qwen3-8B与Qwen3-14B骨干下的实验表明，AutoViewMem在长程问答与个性化上优于强记忆基线，同时保持简单的推理流水线。