DMF：面向会话AI智能体的确定性记忆框架

对话式人工智能代理需要在长交互范围内可扩展且语义一致的记忆系统。现有方法主要依赖于写入时基于大型语言模型（LLM）的摘要，这会引入不确定性、不断上升的词元成本以及修剪决策的不透明性。我们提出了确定性内存框架 (DMF)，这是一种 CPU 优先的方法，用基于经典 NLP 分析、向量几何和数学评分的完全确定性管道取代生成性内存压缩。 DMF 为每个对话交互分配一个生存分数 $Ω$，该生存分数是根据确定性内容信号、对话线索和结构化来源计算得出的，并通过逻辑投影相结合。交互计数衰减定律，表示为 $Ω_{\mathrm{eff}}(Δn)$，控制着新回合到来时相关性如何演变，其中 $Δn$ 是新交互的数量而不是挂钟时间，从而保留了完全的确定性。我们提出了 DMF 的数学公式、其结构化召回流程、剪枝决策程序和评估协议。使用 LoCoMo 和 LongMemEval 数据集在专门构建的基准上进行实验。我们将 DMF 与 Mem0（AI 代理的流行内存层）进行比较。 DMF 实现了相当的准确性，同时使用零个词元来准备内存上下文，并且在整个对话中使用的词元数量减少了 5 倍到 242 倍。这些结果表明，可以从内存管理循环中消除 LLM 调用，将词元成本降低到几乎为零，并为对话式 AI 代理提供确定性内存系统。