EviMem：证据差距驱动的长期会话记忆迭代检索

长期会话记忆需要检索分散在多个会话中的证据，但单遍检索在时间和多跳问题上失败。现有的迭代方法通过生成的内容或文档级信号来细化查询，但没有一个明确地诊断证据差距，即累积的检索集中缺少什么，从而使查询细化没有目标。我们提出了 EviMem，它结合了 IRIS（通过不足信号进行迭代检索）和 LaceMem（对话证据记忆分层架构），前者是一种闭环框架，通过充分性评估来检测证据差距，诊断缺失的内容，并推动有针对性的查询细化，后者是一种从粗到细的记忆层次结构，支持细粒度差距诊断。在 LoCoMo 上，EviMem 在时间问题（73.3% 到 81.6%）和多跳问题（65.9% 到 85.2%）上的判断准确性比 MIRIX 提高了 4.5 倍，延迟降低了 4.5 倍。代码：https://github.com/AIGeeksGroup/EviMem。