LazyMem：广泛检索、选择性构建的高效长期智能体记忆

长期记忆使LLM智能体能够利用过往交互，但对话历史会迅速超出上下文窗口，迫使智能体在查询时检索相关子集。由于有用证据稀疏且散落在冗长的对话中，检索面临一个根本性矛盾：扩大召回可提升覆盖面，却会让噪声淹没下游推理；而在写入时压缩记忆便于检索，却会不可逆地丢弃未来查询可能需要的细节。我们提出LazyMem，它将所有记忆构建推迟到查询时，从而化解这一矛盾。给定检索到的候选池，一个轻量模型以重叠的并行窗口处理它，只选择性地保留与压缩和查询相关的内容。该模型先经监督微调再经强化学习训练，奖励函数联合鼓励识别相关消息，以及生成忠实于原文且有助于回答查询的压缩内容。在LongMemEval上，LazyMem-4B取得0.85的LLM评审准确率，超越最强非oracle基线，而答题上下文记忆词元仅用213个，比基线少21.0倍。它还能在未经目标域训练的情况下泛化到LoCoMo，并较先前查询时基线降低了平均延迟。代码发布于 https://github.com/allacnobug/LazyMem。