面向LLM智能体的准确高效长期记忆

配备持久记忆的LLM智能体能回忆过去交互，但现有系统有两个局限：扁平、非结构化的存储丢失多跳与时序推理所需的关系上下文；依赖昂贵的基于LLM的分类使其难以在延迟敏感部署中实用。缺乏用新信息校验既有知识的机制时，这些系统会默默积累矛盾。我们提出MOSAIC（信息收集的记忆组织结构化智能体），一个结构化、冲突感知的LLM智能体长期记忆框架，在准确率与效率上都显著更优。MOSAIC引入三项关键能力：（1）实体类型化图存储与语义分类，保留跨事件、人物与关系的关系结构，支持对会话历史的多跳与时序推理；（2）哈希加速的双路检索，以局部敏感哈希取代基于LLM的分类，实现近乎即时的查找且精度损失可忽略；（3）保存时的主动冲突检测，把新信息与既有图邻居交叉比对，对矛盾条目触发更新或删除。在LoCoMo（长对话QA）、HaluMem与一个新的临床指南错误累积测试上评估：MOSAIC在LoCoMo达89.35%准确率（超最佳基线27.21个百分点），取得最佳HaluMem-Medium抽取F1（86.77%）与HaluMem-Long抽取F1（85.84%）、Medium与Long的最佳QA正确率（73.10%、70.75%），检出66%的注入事实冲突——为最佳基线（14%）的4.7倍——同时哈希加速检索把平均查询延迟保持在每题0.58秒。