论文
选择如何记忆：面向 LLM 智能体的自适应记忆结构
Choosing How to Remember: Adaptive Memory Structures for LLM Agents
摘要
记忆对于使基于大型语言模型（LLM）的智能体在长程交互中保持连贯行为至关重要。然而，现有智能体记忆系统存在两个关键缺口：它们依赖一刀切的记忆结构，且未将记忆结构选择建模为上下文自适应决策，限制了其处理异质交互模式的能力并导致次优性能。我们提出统一框架 FluxMem，为 LLM 智能体实现自适应记忆组织。我们的框架为智能体配备多种互补的记忆结构。它基于交互级特征显式学习在这些结构之间进行选择，所用的离线监督来自下游回复质量与记忆利用率。为支持稳健的长程记忆演化，我们进一步引入三级记忆层级和基于 Beta 混合模型的概率门控以进行分布感知的记忆融合，取代脆弱的相似度阈值。在 PERSONAMEM 和 LoCoMo 两个长程基准上的实验表明，我们的方法分别取得平均 9.18% 和 6.14% 的提升。
