LinkedIn 招聘代理的分层长期语义记忆

大语言模型 (LLM) 代理越来越多地用于现实世界的产品中，其中个性化和上下文感知的用户交互至关重要。这种功能的核心推动者是代理的长期语义记忆系统，它从嘈杂的纵向行为数据中提取隐式和显式信号，以结构化形式存储它们，并支持低延迟检索。为 LLM 代理构建工业级长期记忆提出了五个挑战：可扩展性、低延迟检索、隐私约束、适应性和可观察性。我们引入了分层长期语义记忆（HLTM）框架，它将文本数据组织成模式对齐的记忆树，捕获多个粒度级别的语义知识，从而实现可扩展的摄取、隐私意识存储、低延迟检索和透明来源； HLTM 进一步结合了适应机制来泛化不同的用例。对 LinkedIn 招聘助理的广泛评估表明，HLTM 将答案正确率提高了 5% 以上，检索 F1 提高了 10% 以上，同时显着提高了查询和索引延迟之间的帕累托边界。 HLTM 已在 LinkedIn 的招聘助手中全面部署，以支持生产招聘工作流程中的核心个性化功能。