当用户不询问时：对会话代理中上下文驱动的内存检索进行基准测试

大语言模型（LLM）越来越多地被部署为长视野会话代理，激发了人们对记忆系统日益增长的兴趣。然而，现有的基准测试主要通过 QA 风格的探测来评估内存，而不是现场对话使用。我们引入了 LOCOMO-CONV，这是一个源自 Lo-CoMo 的会话内存基准测试，具有四种查询样式：对话、隐式、反事实和组合。在五个代表性记忆系统中，我们评估了检索回忆和端到端响应质量。我们的实验表明，会话框架暴露了 QA 基准所忽视的大量检索差距，尤其是在隐式查询和组合查询上，多方面查询重写缩小了原始轮次记忆的范围，但没有缩小抽象记忆的范围。我们进一步发现，强检索并不能完全转化为响应质量，并且隐式查询表现出沉默的基础，其中记忆改善了上下文基础，而没有明确地呈现标准事实。这些结果表明基于推理的记忆阐述是一个有前途的方向，并且我们发布了辅助支持记忆注释，捕获超出原始标准证据的会话有用上下文。