论文
E-mem：基于多智能体的LLM智能体记忆情景上下文重构
E-mem: Multi-agent based Episodic Context Reconstruction for LLM Agent Memory
摘要
大语言模型（LLM）智能体向System 2推理——即深思式、高精度问题求解——演进，需要在长时程上维持严格的逻辑完整性。然而，流行的记忆预处理范式遭受破坏性的去上下文化。通过把复杂的序列依赖压缩进预定义结构（如嵌入或图），这些方法切断了深度推理所必需的上下文完整性。为此，我们提出E-mem，一个从记忆预处理转向情景上下文重构的框架。受生物印迹（engram）启发，E-mem采用异构分层架构：多个助手智能体维护未压缩的记忆上下文，而中央主智能体统筹全局规划。不同于被动检索，我们的机制让助手在激活的片段内进行局部推理，在聚合前提取具备上下文感知的证据。在LoCoMo基准上的评估表明，E-mem取得超过54%的F1，超越最先进的GAM 7.75%，同时将token成本降低70%以上。
