MemSIF：从结构化交互到LLM Agent的双轨事实记忆

长期记忆对于长期交互中的LLM代理至关重要。然而，现有记忆系统的几个持续限制可以追溯到长期交互设置中的两种重复性偏差：时间-结构性偏差（TSM）和延迟效用表现（DUM）。TSM出现在时间接近性与主题或事件相关的相关性不一致时，而DUM出现在写时显著性不预测未来查询效用时。为缓解这些偏差，我们提出MemSIF（Memory with Structured Interactions and Facts），一种结构化交互到事实记忆框架。结构化交互记忆将原始交互组织成主题段，以保留局部主题连贯性，同时维持跨时间事件连续性。双轨事实记忆使用两个互补的轨道：核心事实记忆在写时集中于稳定且主题导向的信息，而主动事实记忆在需求时形成事实，并促进由多个历史来源支持且重复查询需求驱动的使用。在五种基础LLM上的LoCoMo和LongMemEval-S上的实验结果表明，MemSIF在所有设置中均达到最高的总ACC，在LoCoMo上比最强基线高2.29%—8.79%，在LongMemEval-S上高2.87%—6.15%。这些结果支持将结构化交互记忆与双轨事实记忆相结合以缓解TSM和DUM的有效性。代码可在https://github.com/luoyufeihaha/MemSIF处获取。