RaMem：面向长期智能体记忆的上下文 reinstatement

长期记忆对跨扩展交互与演化任务上下文运作的LLM智能体日益重要。近期记忆系统使过往经验更持久、紧凑、可检索——但仅检索不保证记忆为当前查询提供有效证据。当经验被压缩为可复用片段——涉及重复实体或用户状态的不同情境记忆可能显得同等相关。我们把该失败称为上下文坍缩：记忆失去判断其是否为当前查询提供有效证据所需的周围上下文。为解决该问题——我们提出智能体记忆的上下文 reinstatement（RaMem）——把检索到的记忆片段转为上下文可验证证据的框架。RaMem经四个协调阶段运作：(i) 证据锚定把每条记忆锚定到其原始情景条件——尤其事件时间、提及时间、会话跨度与参与者；(ii) 召回条件归纳从查询导出其蕴含的证据条件；(iii) 有效性感知检索用这些条件优先上下文兼容记忆——同时保留内容相关候选作为回退证据；(iv) 上下文保持综合让所选记忆的结构化上下文对生成器可用。长期记忆基准上的实验表明RaMem持续超越强记忆基线——跨多个骨干平均F1增益超10%。