面向个性化持久智能体的分层记忆编排

虽然长期记忆对智能体保持一致的历史感知至关重要，但大量交互数据的积累往往导致性能瓶颈。朴素的存储扩展会增加检索噪声与计算延迟，使部署在受限个人设备上的模型的推理能力不堪重负。为解决这一问题，我们提出分层记忆编排（HMO），一个以用户为中心的上下文相关性为驱动、将交互历史组织为三层目录的框架。系统维护一个紧凑的主缓存，将近期与关键记忆同不断演化的用户画像耦合，确保智能体推理与个体行为特质保持一致。该主缓存由一个高优先级次级层补充，二者均在完整交互历史的全局归档中管理。关键在于，用户画像决定记忆在各层级间的再分配：将映射到长期模式的记录提升至更活跃的层级，同时将相关性较低的信息下沉。这种有针对性的编排能在恰需之时浮现历史知识，同时保持精简高效的活跃搜索空间。在多个基准上的评估取得最先进性能。在OpenClaw等生态中的真实部署表明，HMO显著增强了智能体的流畅性与个性化。