更少的上下文，更高的准确性：LLM 代理的双时态内存引擎，精益检索的上下文胜过完整的历史记录

长期记忆是 LLM 代理缺失的一层：他们会忘记整个会话，而常见的解决方法（将整个历史记录重播到提示中）成本高昂、速度缓慢，而且随着干扰因素的积累，准确性也会降低。大多数内存系统在成本或延迟方面获胜，但在准确性方面仍然输给了全上下文基准，并且基准数据是在不一致、不可重现的工具上报告的，因此一个系统在不同来源上的得分截然不同。我们推出了 Engram，这是一种基于双时态数据模型的开源双进程内存引擎。快速写入路径附加无损片段，且关键路径上没有 LLM；异步路径提取原子（主语、谓词、宾语）事实，构建双时态知识图，并解决矛盾，而无需每个事实调用 LLM - 无效，永不删除，因此每个事实都保留出处和取代链。混合读取路径融合密集、词汇、图形和新近度/显着性信号，应用时间点（“as-of”）过滤器，并组装紧凑的、带有出处标记的上下文。在由官方特定类别法官评分的完整 500 个问题 LongMemEval_S 中，Engram 的精益配置（从约 9.6k 词元检索切片中回答，而不是完整历史记录）在约 8 倍的词元（9.6k 与 79k）下，全上下文得分为 83.6% 与 73.2%（+10.4 分，McNemar p < 10^-6）， 0/500 错误。增益需要混合读取路径：单独的事实会失去记忆，而事实加上检索到的块会恢复细节。我们还贡献了一个中立的回购评估工具，其中包含官方法官和每个表中的完整上下文基线，发布每个问题的原始日志，并记录悄悄扭曲内存基准的测量完整性陷阱（截断、本土法官、完整历史泄漏）。每个数字都附带一个重现它的命令。