D-Mem：面向LLM智能体的双过程记忆系统

在持久化、自适应自主智能体发展的驱动下，为这些系统配备面向长程推理的高保真记忆访问已成为关键需求。然而，流行的基于检索的记忆框架常遵循增量处理范式，持续将对话记忆抽取并更新到向量数据库中，查询时依赖语义检索。该方法虽然快速，但本质上依赖有损抽象，经常遗漏上下文关键信息，且难以处理依赖细粒度上下文理解的查询。为解决此问题，我们提出 D-Mem，一个双过程记忆系统。它为常规查询保留轻量级向量检索，同时建立穷尽式的完全审议（Full Deliberation）模块作为高保真兜底。为在不牺牲准确性的前提下实现认知经济性，D-Mem 采用多维质量门控（Multi-dimensional Quality Gating）策略来动态衔接这两个过程。在 LoCoMo 与 RealTalk 基准上使用 GPT-4o-mini 与 Qwen3-235B-Instruct 的实验证明了我们方法的有效性。值得注意的是，我们的多维质量门控策略在 GPT-4o-mini 上于 LoCoMo 取得53.5的 F1 分数。这优于我们的静态检索基线 Mem0*（51.2），并恢复了完全审议性能（55.3）的96.7%，同时计算成本显著更低。