论文
LLM 代理的多层内存架构：长期上下文保留的实验评估
Multi-Layered Memory Architectures for LLM Agents: An Experimental Evaluation of Long-Term Context Retention
摘要
长视野对话系统在长时间会话中会出现语义漂移和记忆保留不稳定的问题。本文提出了一种多层记忆框架，通过自适应检索门控和保留正则化将对话历史分解为工作层、情景层和语义层。该架构控制跨会话漂移，同时保持有界上下文增长和计算效率。 LOCOMO、LOCCO 和 LoCoMo 上的实验显示了性能的提高，实现了 46.85 的成功率、0.618 的总体 F1 和 0.594 的多跳 F1，以及 56.90% 的六周期保留率，同时将错误记忆率降低到 5.1%，上下文使用率降低到 58.40%。结果证实，在有限的背景预算下，长期保留和推理稳定性得到了增强。