HyMem：具有动态检索调度的混合记忆架构

大型语言模型（LLM）智能体在短文本场景中表现出强劲性能，但由于记忆管理低效，在长对话中常常表现不佳。现有方法面临效率与效果之间的根本权衡：记忆压缩有丢失复杂推理所需关键细节的风险，而保留原始文本会为简单查询引入不必要的计算开销。症结在于单一化记忆表示与静态检索机制的局限，它们无法模拟人类所展现的灵活而主动的记忆调度能力，因而难以适应多样的问题场景。受认知经济原则启发，我们提出 HyMem，一种通过多粒度记忆表示实现动态按需调度的混合记忆架构。HyMem 采用双粒度存储方案，配合动态两级检索系统：轻量模块构建摘要级上下文以高效生成回复，而基于 LLM 的深度模块仅在复杂查询时被选择性激活，并由反思机制增强以迭代精炼推理。实验表明，HyMem 在 LOCOMO 和 LongMemEval 两个基准上均取得强劲表现，优于全上下文方式，同时将计算成本降低 92.6%，在长期记忆管理中确立了效率与性能之间最先进的平衡。