MemMachine：面向个性化AI智能体的真值保持记忆系统

大语言模型（LLM）智能体需要持久记忆来维持个性化、事实连续性与长时程推理，然而标准的上下文窗口与检索增强生成（RAG）流水线在多会话交互中性能退化。我们提出MemMachine，一个开源记忆系统，在真值保持架构中整合短期记忆、长期情景记忆与画像（profile）记忆，该架构存储完整的对话情节（episodes）并减少有损的基于LLM的抽取。MemMachine使用上下文化检索，将核心（nucleus）匹配扩展至周围上下文，在相关证据跨越多轮对话时提升召回。跨基准测试中，MemMachine取得了强大的精度-效率权衡：在LoCoMo上使用gpt4.1-mini达到0.9169；在LongMemEvalS（ICLR 2025）上，六维消融得到93.0%的准确率，其中检索阶段优化——检索深度调优（+4.2%）、上下文格式化（+2.0%）、搜索提示词设计（+1.8%）与查询偏置校正（+1.4%）——优于句子分块（+0.8%）等摄取阶段的增益。搭配优化提示词时，GPT-5-mini比GPT-5高出2.6%，成为最具成本效益的配置。在与Mem0匹配的条件下，MemMachine使用的输入token约少80%。配套的检索智能体在直接检索、并行分解或迭代查询链（chain-of-query）策略之间自适应路由查询，在随机噪声条件下于HotpotQA-hard上达到93.2%、于WikiMultiHop上达到92.6%。这些结果表明，在保留情节真值的同时叠加自适应检索，可为个性化LLM智能体带来稳健而高效的长期记忆。