MemReader：从被动提取到主动提取长期代理内存

长期记忆对于个性化和自主代理来说是基础，但填充它仍然是一个瓶颈。现有系统将内存提取视为从上下文到结构化条目的一次性、被动转录，它与嘈杂的对话、缺失的引用和交叉依赖相斗争，导致内存污染、低价值写入和不一致。在本文中，我们介绍了用于代理系统中的主动长期内存提取的 MemReader 系列：MemReader-0.6B（一种紧凑且经济高效的被动提取器，可提供准确且模式一致的结构化输出）和 MemReader-4B（一种使用组相对策略优化 (GRPO) 进行优化的主动提取器，用于做出内存写入决策）。在 ReAct 风格的范例下，MemReader-4B 在行动之前明确评估信息价值、参考模糊性和完整性，并且可以有选择地写入记忆、推迟不完整的输入、检索历史上下文或丢弃不相关的聊天内容。 LOCOMO、LongMemEval 和 HaluMem 上的实验表明，MemReader 始终优于现有的基于提取的基线。特别是，MemReader-4B 在涉及知识更新、时间推理和减少幻觉的任务上实现了最先进的性能。这些结果表明，有效的智能体记忆不仅需要提取更多信息，还需要执行推理驱动和选择性记忆提取，以构建低噪声和动态进化的长期记忆。此外，MemReader 已集成到 MemOS 中，并正在实际应用中部署。为了支持未来的研究和采用，我们发布了模型并提供公共 API 访问。