MemForest：事件树分区与渐进合并的Agent记忆管理

智能体记忆系统在长期对话、个性化助理和视频理解方面表现出了巨大的潜力。然而，不断积累的记忆在推理过程中引入了大量的存储和检索成本。为了解决这个问题，我们提出了 MemForest，一个适用于各种智能体记忆系统的通用记忆压缩框架。具体来说，MemForest 通过利用全局语义相似性和局部时间连续性，将历史记忆划分为以事件为中心的单元。对于每个单元，它构造一个最大生成树，称为事件树，并通过选择高权重边逐步合并冗余记忆节点，从而减少存储开销。此外，我们引入了一种锚引导的传播检索机制，可以从关键节点的时间邻域中检索相关的记忆节点，从而提高检索精度。大量实验证明了 MemForest 的有效性。在单峰 Mem0 框架下，MemForest 保留了原始性能的 97.1%，同时在三个基准（LoCoMo、LongMemEval 和 PersonaMem）上压缩了 50% 的历史记忆，实现了 1.89x 的检索加速。在多模态 M3-Agent 框架下，它在两个基准（M3-Bench-robot 和 M3-Bench-web）上以 50% 的压缩比保留了 99.7% 的原始性能，实现了 2.24x 的检索加速。 \textcolor{RoyalBlue}{我们的代码可在 [此 https URL .}](此 https URL .}})