RippleMem：从孤立检索到联想记忆以实现长期代理记忆

基于 LLM 的代理越来越依赖外部存储器来支持长视野推理和交互。然而，主要瓶颈不仅仅是存储过去的经验，而是当相关信息分布在许多交互中时恢复正确的证据集。现有的方法很难解决这个访问问题。全上下文方法需要嘈杂的长上下文搜索，平面检索通常返回孤立且不完整的记录，并且基于图的内存系统在压缩丰富的事件上下文时构建成本可能很高。我们介绍 RippleMem，这是一种长期记忆系统，它用自适应联想记忆取代一次性检索。受线索相关的情景检索和联想完成的启发，RippleMem 将交互历史存储为富含线索的情景记忆单元，并将它们组织在以事件为中心的记忆图中。给定一个查询，它首先通过混合线索回忆相关的记忆锚点，然后从这些锚点沿着语义和结构关联进行扩展，以恢复丢失的支持证据。这样，最初回忆起的记忆不仅可以作为答案上下文，还可以作为完成回答所需证据的线索。 LoCoMo 和 LongMemEval-S 上的实验表明，RippleMem 在评估的设置中实现了最佳整体性能，在 LoCoMo 上将 LLM 作为法官的准确率提高了 3.95%，在 LongMemEval-S 上提高了 11.87%，同时将图构建成本降低了约 30 倍。