论文
SF-AMS:面向大语言模型智能体结构化记忆的策略性遗忘
SF-AMS: Strategic Forgetting for Structured Memory in LLM Agent
摘要
管理长上下文依赖仍是大语言模型智能体的主要瓶颈,因为冗余和无关信息会降低多步推理质量。本文提出面向智能体记忆系统的策略性遗忘(SF-AMS),一个通过建模记忆单元长期重要性来维持紧凑、高效用记忆的框架。SF-AMS用效用驱动的存续机制取代静态检索与启发式衰减,依据使用冗余和时间信号更新记忆重要性,诱导出优先保留稳定的实体一致性信息并过滤噪声的分层记忆结构。在此之上,复合重要性评分融合语义与实体级信号以提升检索鲁棒性。在LoCoMo和LongMemEval-s上的实验显示,相比LightMem、MemO和A-Mem等强基线有一致增益。最大提升出现在Qwen2.5-7B下的多跳推理,SF-AMS较最强基线高出9.65 F1;其次是GPT-4o-mini下的时序推理(+6.91 F1)和开放域任务(+6.53 F1),展现出跨骨干的强泛化。这些结果表明,将记忆重要性建模为动态效用信号,对可靠的长上下文推理至关重要。