CraniMem：面向Agentic系统的颅脑启发门控有界记忆

大型语言模型（LLM）Agent日益部署于长时间运行的工作流，需要在多轮之间保持用户与任务状态。许多现有Agent记忆系统表现得像带有临时读写规则的外部数据库，可能导致不稳定的保留、有限的巩固以及对干扰内容的脆弱性。我们提出CraniMem，一个受神经认知启发、为Agentic系统设计的门控有界多阶段记忆。CraniMem将目标条件门控和效用标记与有界情景缓冲器（用于近期连续性）和结构化长期知识图谱（用于持久语义召回）耦合。定期的巩固循环将高效用痕迹重放到图谱中，同时剪枝低效用条目，控制记忆增长并减少干扰。在干净输入和注入噪声下评估的长程基准上，CraniMem比Vanilla RAG和Mem0基线更鲁棒，在干扰下表现出更小的性能下降。代码见https://github.com/PearlMody05/Cranimem，配套PyPI包见https://pypi.org/project/cranimem。