面向LLM智能体的人类启发记忆架构

当前的 LLM 代理缺乏在长期交互​​范围内管理持久记忆的原则性机制。我们提出了一种基于生物学的记忆架构，包括六种认知机制：（1）睡眠阶段巩固，（2）基于干扰的遗忘，（3）印迹成熟，（4）检索时重新巩固，（5）实体知识图，以及（6）混合多线索检索。每种机制都针对幼稚记忆积累的特定故障模式。我们引入了一种综合校准方法，无需暴露基准数据即可得出所有管道阈值，从而消除了评估泄漏的常见来源。我们根据两个基准进行评估。首先，VSCode 问题跟踪数据集（13K 问题、120K 事件），其中基于重复数据删除的整合实现了 97.2% 的保留精度，存储减少了 58%（比基线高 21.8 个百分点）。其次，LongMemEval 个人聊天基准测试，我们在此进行首次流式 M 层评估（475 个会话，约 540K 轮次）。在 200K token上下文预算下，我们的管道与原始检索精度相匹配（70.1% 与 71.2%，重叠 95% CI），同时暴露了可调节的精度/存储大小操作曲线。在 S 级规模（50 个会话）中，基于重复数据删除的整合使偏好回忆提高了 +13.3 个百分点。