EnSIMem：面向长期Agent记忆的实体结构化索引

长期与用户交互的Agent必须从持续增长的交互历史中回忆事实、偏好、事件与变化。现有记忆系统往往把交互压缩为通用摘要或检索匿名的文本块，使Agent难以识别正确的实体、属性与支撑证据。我们提出EnSIMem，一个面向Agent的实体结构化长期记忆架构。在离线构建阶段，系统把交互组织为主题连贯的情节（episode），并构建以对话为依据的索引条目，形如[实体][实体类型][属性:值]。每个条目保留其来源轮次、时间信息与可用的多模态字段。在线交互阶段，Agent的请求被分解为证据需求，其属性与记忆索引对齐；随后通过实体-属性查找与自适应检索，收集点值、时序、组合与聚合推理所需的证据。Agent基于保留的来源证据而非有损的记忆摘要生成回答。在长期Agent记忆基准上，EnSIMem在保持紧凑上下文与良好在线效率的同时取得很高的回答准确率。这些结果表明，实体结构化索引与情节级溯源为Agent长期记忆提供了可靠基础。模型代码已开源。