HERO：面向长期智能体记忆的画像增强检索优化框架

长期记忆对个性化响应与长程智能体交互至关重要。现有方法通常依赖LLM压缩或改写对话历史，并将转换后的记忆用作检索证据。尽管在组织碎片化上下文方面取得了进展，但仍存在两大缺陷：(1) 压缩带来的信息损失，丢弃了细粒度但事后有用的细节；(2) 改写带来的语义漂移，侵蚀了原始语气与情境语境。在这项工作中，我们提出了一种新颖的面向长期智能体记忆的画像增强检索优化框架（HERO）。具体而言，HERO将对话历史转换为可追溯的异构记忆图，保留原始对话文本作为推理证据，从而缓解信息损失。在检索时，HERO从当前查询中提取初始锚点，并通过迭代图遍历纳入用户画像；这些锚点与画像提供引导信号，自适应地激活图中最具信息量的区域。在两个基准数据集上的实验表明，HERO在事实性推理与个性化推理上均优于强基线，同时提供对原始对话证据更忠实的访问。