SodaMem：面向大语言模型智能体的证据锚定时序图记忆

在数周对话中辅助用户的大语言模型（LLM）智能体必须记住当前为真的事实，而不只是曾经说过的话。扁平的检索增强生成（RAG）日志与Markdown记录优化了"大海捞针"式检索，但在时效性、来源可溯与有序时序推理方面表现不足。我们提出SodaMem，一个证据锚定的时序图记忆：（i）提取带强制来源片段的类型化FactEvent；（ii）在混合词法-稠密索引下持久化提及时间、发生时间与有效期，并维护SUPERSEDES/CONTRADICTS/UPDATES边；（iii）通过规划器-读取器循环作答，在组织最终回答之前收集可引用的证据。在LongMemEval-S上，我们的记录存储（store-of-record）配置使用deepseek-v4-flash达到92.8%准确率（464/500；N=3最优），平均每题0.00161美元（约18.3k token；中位数0.00111美元/约14.6k token）。我们将可估算API成本的公开系统汇总为成本表与成本-准确率地图；在这些估计下，SodaMem在Flash档位花费下接近准确率前沿，并严格优于若干成本更高、准确率更低的点。准确率评估中读取器与评判使用同一个Flash模型（自评分）；成本不含摄取/评判，跨系统比较为汇编估计而非同一测试框架下的对决。代码见 https://github.com/SodaMem/SodaMem。