论文
探索性与吸收性反思：面向长期记忆的反思召回循环
Exploratory and Assimilating Reflection: Reflective Recall Cycle for Long-term Memory
摘要
基于LLM的自主智能体需要外部记忆来克服其无状态与有限上下文窗口，以支持长期交互与动态知识推理。但现有记忆检索方法常缺乏适应性与样本效率，难以从异构存储中检索到恰当的记忆组合。我们提出探索性—吸收性反思（EAR），一个实现高初始检索性能与样本高效适应的框架。EAR组合两个机制：探索性反思执行迭代搜索以为每个查询引导检索并收集有用经验；吸收性反思从经验缓冲区重放这些经验以精炼全局重排器，比只依赖即时奖励的方法更高效。实验显示，EAR在两个长期对话基准上把检索性能较基线检索器最多提升17.9%。我们还证明EAR高度样本高效，并对噪声反馈稳健。
