AdaMem：学习通过个性化代理的自适应内存策略记住什么

长期记忆系统允许 LLM 代理保留单个上下文窗口之外的信息，但大多数系统专注于提取后存储和检索事实，从而导致写入决策未指定。值得记忆的内容可能取决于用户当前的任务、主题、活动或交互伙伴，而统一提取在这些不同情况下应用一种重要性概念。我们将这一挑战表述为偏好条件写入控制，并引入 AdaMem，它使用自适应自然语言内存策略来个性化代理写入内存的内容。每个策略代表用户对特定交互上下文的记忆偏好，根据定期反馈进行更新，并控制后续的记忆写入。我们在 AdaMem-Bench 中评估这个循环，它为五个为期十周的故事中的六个并发交互角色分配不同的记忆偏好。在两种提取模型和两种反馈模式中，AdaMem 将 Mem0 的平均 QA 准确度从 80.0% 提高到 84.35%，同时将持久内存减少 9.27%。我们的分析表明，明确的反馈有助于模型学习更好的记忆策略，但当前的模型仍然难以将这些策略转化为可靠的选择性书写行为。因此，AdaMem 展示了自适应写入控制的前景，同时将策略执行暴露为当前内存代理的主要限制。我们的代码是公开的：https://github.com/galaxyChen/AdaMem