TrajWiki：有来源支撑的长程对话Agent记忆轨迹

大语言模型代理在生成连贯且上下文相关的响应方面表现出强大的能力，但受限于缺乏可追溯、可更新且透明诊断的外部记忆，导致长期时间跨度的对话能力不足。现有的记忆增强代理通常将记忆存储为孤立记录或可重写状态，这使得难以保留信息的来源、演变、冲突或过时情况。我们提出TrajWiki，这是一种基于轨迹的记忆框架，用于长期时间跨度的对话代理。与传统的静态记录不同，TrajWiki将每个记忆视为源地导向的进化轨迹，通过不可变的周期性快照和声明级别的操作（如ADD、REVISE和DEPRECATE）来维护。为了减少碎片化和检索成本，TrajWiki进一步引入Memory Wiki，这是一种持久的中间层，通过逐步编译对话历史到结构化且互连的维基页面，捕捉关键实体、事件、量度、话题和冲突。在推理时间，查询将从相关的维基页面递归地路由到链接的记忆轨迹，然后到相应的快照和源消息，以进行证据导向的答案合成。在LoCoMo和MedMT上的实验表明，TrajWiki在开源和闭源的LLM后端上都提高了长期时间跨度的对话性能，同时提供了更好的可解释性和诊断可见性，揭示了记忆演变、检索失败和答案生成的过程。