MemPrism：面向长程智能体的任务条件化关系记忆视图

长程智能体依赖记忆来复用经验，但现有记忆系统往往假设证据可以通过某种固定表示被直接使用。这会导致表示失配：相关信息虽然可得，却没有为当前决策组织好。为此，我们提出MemPrism，一个任务条件化的关系记忆框架，将持久经验存储与决策时工作记忆分离。MemPrism把交互记录为事件流，并根据当前任务上下文动态构建关系视图。轻量级视图策略选择关系结构、证据范围、结果条件和粒度，而确定性的组合器与渲染器将历史事实转化为供冻结任务策略使用的临时光学工作记忆视图。在长程具身与Web Agent基准上的实验表明，MemPrism持续提升任务性能，在轨迹变得更长时尤其明显，同时降低记忆token消耗。此外，学到的视图策略无需额外适配即可跨不同VLM迁移，证明了任务条件化关系视图作为智能体通用记忆接口的有效性。