DimMem：高效长期代理记忆的维度结构

大语言模型 (LLM) 代理需要长期记忆才能利用过去交互中的信息。然而，现有的记忆系统经常面临保真度与效率的权衡：原始对话历史的成本很高，而简单的事实或摘要可能会放弃精确回忆所需的结构。我们提出 \textbf{DimMem}，一个轻量级的维度记忆框架，它将每个记忆表示为一个原子的、类型化的、独立的单元，具有明确的字段，如时间、位置、原因、目的和关键字。这种表示公开了维度感知检索、记忆更新和选择性辅助上下文回忆所需的结构，而无需在模型上下文中存储完整的历史记录。在 LoCoMo-10 和 LongMemEval-S 中，DimMem 分别实现了 \textbf{81.43\%} 和 \textbf{78.20\%} 整体准确度，优于现有的轻量级记忆系统，同时将 LoCoMo 每个查询词元成本降低了 \textbf{24\%}。我们进一步表明，维度记忆提取可以通过紧凑模型来学习：在 DimMem 模式上的 微调 之后，Qwen3-4B 提取器在两个基准测试中都超越了带有 GPT-4.1-mini 的 LightMem，并且在关键设置中达到了与更大的提取器相当或更好的性能。这些结果表明，显式维度结构是 LLM 智能体长期记忆的有效且高效的基础。代码可在 https://github.com/ChowRunFa/DimMem 获取。