Memanto：面向长程智能体的类型化语义记忆与信息论检索

从无状态语言模型推理向持久化、多会话自主智能体的转变，已经揭示出记忆是生产级智能体系统部署中的主要架构瓶颈。现有方法在很大程度上依赖混合语义图架构，这类架构在写入与检索两个阶段都带来可观的计算开销。这些系统通常需要由大语言模型中介的实体抽取、显式图Schema维护，以及多查询检索流水线。本文介绍Memanto，一个面向智能体AI的通用记忆层，它挑战了“实现高保真智能体记忆必须依赖知识图谱复杂性”这一流行假设。Memanto整合了一个由13个预定义记忆类别构成的类型化语义记忆Schema、一个自动冲突消解机制以及时间版本管理。这些组件由Moorcheh的信息论搜索引擎支撑——一个免索引语义数据库，可在低于90毫秒的延迟内提供确定性检索，同时消除写入延迟。通过在LongMemEval与LoCoMo评测套件上的系统基准测试，Memanto分别取得89.8%与87.1%的最先进准确率。这些结果超越了所有受评估的混合图与基于向量的系统，同时只需单次检索查询、不产生写入成本，并保持显著更低的运营复杂度。文中给出了一个五阶段渐进式消融研究，以量化各架构组件的贡献，随后讨论了其对智能体记忆系统可扩展部署的影响。