LeanMem：简单高效的LLM Agent长期记忆

长期记忆对于基于语言模型的代理（LLM-based agents）来说是至关重要的，因为它们需要维持与用户之间的交互，并且能够可靠地利用远距离的历史。然而，现有的记忆系统通常通过统一的摘要和检索管道处理异质性的对话内容，导致要么过度消耗词元量，要么不可逆地丢失精细证据。我们提出了一种新的方法，LeanMem，它根据信息的压缩性、时间动态性和忠实要求来处理历史对话内容。基于这一见解，我们提出了一个轻量级的长期记忆框架。LeanMem首先过滤低价值的内容，然后将有信息性的片段作为紧凑的元数据记忆、时间结构化的事件记忆或源地记录记忆存储，根据信息的性质。在维护过程中，只更新动态变化的事件记忆，避免稳定元数据和不可变记录的冗余合并。在推理过程中，LeanMem根据查询特定证据需求动态选择记忆类型，并分配检索预算，从而组装所需的证据。在LoCoMo和LongMemEval-S上使用GPT-4.1-mini和Qwen3-8B，LeanMem在每种设置下都优于最强的基于记忆的基准，最多提高了15.1个点，同时保持最低或接近最低的建设成本、推理词元量和延迟。代码和数据集包含在补充材料中。