PRISM：针对长视野智能体的意图感知结构化记忆的帕累托有效检索

长视野语言代理积累对话历史的速度远远快于任何固定上下文窗口所能容纳的速度，这使得记忆管理对于答案准确性和服务成本都至关重要。现有的方法要么扩展上下文窗口而不解决检索的内容，要么以大量的词元成本执行大量摄取时间的事实提取，要么依赖启发式图遍历，从而将准确性和效率都抛在了桌面上。我们提出了 PRISM，一个 无需训练 检索端框架，它将长视野记忆视为图结构记忆​​上的联合检索和压缩问题。 PRISM 结合了四个正交推理时间组件：类型化关系路径上的分层捆绑搜索、将遍历与检测到的查询意图对齐的查询敏感边缘成本计算、将候选捆绑压缩到紧凑的答案端上下文中的证据压缩以及通过零 LLM 层路由大多数查询的自适应意图路由。通过将检索制定为类型化路径模板上的最小成本选择，并将其与 LLM 侧压缩步骤配对，PRISM 在严格的上下文预算下显示正确的证据，而无需任何 微调 或对上游摄取管道进行修改。 LoCoMo 基准测试表明，在上下文预算较小的情况下，PRISM 比每个相同协议基线提供了更高的 LLM 判断准确度，占据了准确度-上下文-成本边界之前的空白角落，并展示了答案质量和检索效率之间的卓越平衡。