HiMem：面向LLM长程Agent的分层长期记忆

尽管长期记忆系统近年来取得了长足进步，但在持续交互场景下，它们在适应性、可扩展性与自我演化方面仍存在明显局限。受认知理论启发，我们提出HiMem，一个面向长程对话的分层长期记忆框架，旨在支持持续交互过程中的记忆构建、检索与动态更新。HiMem通过主题感知的事件—惊讶双通道切分策略构建认知一致的情节记忆（Episode Memory），并通过多阶段信息抽取流水线构建捕捉稳定知识的笔记记忆（Note Memory）。这两类记忆在语义上相互关联，形成连接具体交互事件与抽象知识的分层结构，在不牺牲信息保真度的情况下实现高效检索。HiMem同时支持混合检索与尽力而为（best-effort）检索两种策略，以在准确率与效率之间取得平衡，并引入冲突感知的记忆再巩固（Memory Reconsolidation），依据检索反馈修订和补充已存储的知识。这一设计使记忆能够在长期使用中持续自我演化。在长程对话基准上的实验结果表明，HiMem在准确率、一致性与长期推理方面持续优于代表性基线，同时保持良好的效率。总体而言，HiMem为构建自适应、可自我演化的基于LLM的对话Agent提供了一种有原则且可扩展的设计范式。代码可在 https://github.com/jojopdq/HiMem 获取。