MGRetrieval：用于长期对话代理的记忆引导反射检索

大语言模型 (LLM) 在对话方面取得了重大进展，但冗余的记忆上下文严重限制了它们在长期对话代理中的有效性。已经提出外部存储器系统来改善存储器维护。然而，这些系统主要依赖于一次性检索，这限制了它们检索足够且相关证据的能力。尽管最近的方法将反射引入到检索中，但它们的检索路径是由 LLM 根据有限的证据生成的，导致检索不稳定和额外的延迟开销。 %这些限制凸显了有效检索机制的必要性。为了解决这些局限性，我们提出了 MGRetrieval，这是一种基于历史记忆语义结构的反思性检索的检索策略。具体来说，MGRetrieval由两个步骤组成：（1）参考历史记忆的结构来构建更精确的检索路径。 (2) LLM 保留关键内存并确定累积的内存是否足以停止进一步的迭代检索。这允许检索过程遵循语义上有意义的路径。通过记忆引导检索和批判性记忆传播，MGRetrieval 逐渐构建简洁且充足的记忆上下文。 LoCoMo 上的大量实验表明，在 Qwen2.5-14B 和 Qwen3-14B 上，MGRetrieval 在 F1 中比最强基线平均高出 8.91%，在 BLEU-1 中比最强基线高出 11.11%，同时保持实用的词元和延迟成本。该代码可以在 https://anonymous.4open.science/r/MGRetrieval 中找到。