SelRoute：按问题类型路由长期对话记忆检索

从长期对话记忆检索既往交互，常需大型稠密检索模型或大模型增强索引。SelRoute按查询类型选择词法、语义、混合或词汇增强检索流程。在LongMemEval_M中，109M参数的bge-base-en-v1.5得到Recall@5为0.800，33M的bge-small-en-v1.5为0.786；使用大模型生成事实键的Contriever为0.762。仅用SQLite FTS5、无需机器学习的基线也达到NDCG@5为0.692，超过此前公布的排序质量基线，作者将这一差异部分归因于词法检索实现不同。五折分层交叉验证中，Recall@5差距为1.3–2.4分，六种查询类型中四种的路由跨折稳定。正则表达式分类器的有效路由准确率为83%，预测类型的端到端Recall@5为0.689，仍优于统一检索基线。另在八项基准、6.2万余实例中验证无需按基准调参的泛化性，但推理密集型RECOR上的Recall@5仅0.149。存储时扩展词汇有利于词法检索，却会降低嵌入检索效果，因此不同检索流程应分别决定是否扩词。系统在查询时无需GPU或大模型推理。