LycheeMemory V2：通过语义段级整合为 LLM 智能体提供高效的长期记忆

长视野 LLM 代理必须保留过去交互的信息以支持未来的任务。现有的记忆系统通常依赖于急切的整合，在每次交互后调用 LLM 来提取、总结或更新记忆。随着对话的增长，这种设计使得内存构建的成本越来越高。粗略摘要可以降低构建成本，但存在丢弃细粒度上下文证据的风险，而较大的检索上下文或多跳 LLM 推理会将开销转移到查询时间。我们推出了 LycheeMemory V2，这是一种高效的长期记忆框架，用语义段级巩固取代了回合级巩固。 LycheeMemory 不是合并每个交互，而是将多个交换批处理为段，并将每个最终的段编码为上下文无关的类型化内存记录。段级批处理降低了 LLM 编码频率，而与固定窗口批处理相比，语义边界检测有助于保留连贯的事件级和时间证据。生成的记录使用轻量级结构化索引进行组织，用于查询计划的证据检索。使用 GPT-4.1-Mini 的实验表明，LycheeMemory 实现了最先进的性能，在 LoCoMo 上达到 89.22%，在 LongMemEval-S 上达到 92.20%。与 A-Mem 相比，它在 LoCoMo 上减少了 86.0% 的构造词元，在 LongMemEval-S 上减少了 75.9%，而没有增加查询时词元的使用。更广泛地说，我们的结果表明，长期智能体记忆的准确性与成本权衡不仅取决于保留哪些信息，还取决于信息整合的粒度。