FadeMem：面向高效智能体记忆的仿生遗忘机制

部署为自主智能体的大语言模型面临关键的记忆局限：缺乏选择性遗忘机制，导致上下文边界处的灾难性遗忘或其内部的信息过载。人类记忆通过自适应衰减过程自然平衡保留与遗忘，而当前AI系统采用二元保留策略——要么全部保留，要么全部丢弃。我们提出FadeMem，一个仿生的智能体记忆架构，纳入镜像人类认知效率的主动遗忘机制。FadeMem在双层记忆层次中实现差异化衰减率，其中保留由受语义相关性、访问频率和时间模式调制的自适应指数衰减函数控制。通过LLM引导的冲突解决和智能记忆融合，我们的系统在巩固相关信息的同时让无关细节淡忘。在Multi-Session Chat、LoCoMo和LTI-Bench上的实验展示了卓越的多跳推理和检索能力，同时存储减少45%，验证了仿生遗忘在智能体记忆系统中的有效性。