CAMeR：LLM 代理中自适应内存保留的关键字门控混合激活

大语言模型（LLM）代理通过扩展对话进行操作，积累了大量信息，但现有的记忆系统要么不加区别地保留所有内容，要么应用统一的遗忘启发法，无法区分相关知识和不相关知识。我们提出了 CAMeR（上下文激活记忆强化），这是一种将关键字门控混合激活（联合符号（字级 Jaccard）和子符号（嵌入余弦）门控机制）与自适应权重动态相结合的记忆保留框架。 CAMeR 计算每个内存-查询对的混合相似度得分；超过阈值的记忆会得到强化，而所有记忆都会经历受控制的衰退。我们推出了 CAMeR-Bench，这是一个 76 内存、100 轮基准测试，跨越 8 个主题集群，具有分级激活频率，旨在测试现有基准测试（LoCoMO、LongMemEval）无法测试的自适应保留。在 CAMeR-Bench 上，与仅嵌入门控相比，CAMeR 的关键字门在高频内存和从未引用内存之间实现了 1.6$\times$ 的保留差距（剪刀差：0.039 与 0.024），而时间驱动的基线（Oblivion、SuperLocalMemory）在 100 轮中崩溃到接近于零的权重。与全上下文方法相比，CAMeR 的 top-5 检索节省了 83.2% 的标记（累积 39k 与 231k），同时产生可提高检索精度的权重信号。通过 8 个消融条件，我们确定关键字门（不可学习的衰减）是此规模的主要性能驱动因素。我们的研究结果表明，混合符号神经门控为 LLM 代理的自适应记忆保留提供了一种简单而有效的机制。