AnchorMem：在大语言模型中使用关联上下文锚定事实来构建记忆

摘要

虽然大语言模型在复杂任务中取得了出色的表现，但它们仍然需要一个记忆系统来利用长期交互中的历史经验。现有的记忆方法（例如 A-Mem、Mem0）过分强调通过频繁重写来组织交互，然而，这种对摘要的严重依赖可能会淡化基本的上下文细微差别并模糊关键的检索特征。为了弥补这一差距，我们引入了 AnchorMem，这是一种新颖的记忆框架，其灵感来自认知科学中的普鲁斯特现象，其中特定的锚点会触发整体回忆。我们提出了一种将检索单元与生成上下文分离的方法。 AnchorMem 从交互历史中提取原子事实作为检索锚点，同时保留原始上下文作为不可变上下文。为了揭示隐含的叙事线索，我们构建了一个关联事件图，该图使用高阶事件链接将相关事实集绑定到共享事件表示中，从而在不依赖通用实体作为桥梁的情况下加强跨内存集成。在检索过程中，系统将查询锚定到特定事实和事件以定位相关记忆，但使用关联的原始块和事件重建上下文。我们的方法将细粒度检索与交互的上下文完整性相协调。在 LoCoMo 基准上对三个闭源和开源模型进行的实验表明，AnchorMem 的性能显着优于基准。代码可在 https://github.com/RayNeo-AI-2025/AnchorMem 获取。