ROAM：通过语义关系为代理提供稳健的原子记忆组织

长期语言模型代理在交互过程中依赖于外部记忆。原子记忆特别有用：它们细粒度的语义边界可以实现精确检索和观察之间的直接比较。然而，积累的原子不可避免地会变得多余、重叠或冲突。现有方法通常要求 LLM 管理器直接添加、更新、删除或重写存储器，将语义解释、存储决策和内容生成耦合到一个容易出错的操作中。我们引入了 ROAM，这是一种关系引导框架，它使用原子性进行管理，同时允许更丰富的应答时间表示。 ROAM 将传入的存储原子对分类为独立、等效、定向包含或冲突，然后将观察结果组织为活动的主要和支持证据角色。融合随后将互补的细节和时间变化组合成紧凑的、潜在的非原子视图。仅检索主要视图进行回答，防止冗余或过时的原子独立竞争。在模型和评估设置中，ROAM 将答案准确性提高了高达 29.8 个百分点。消融显示出不同关系带来的互补利益以及角色组织之外的融合带来的一致收益。机制分析进一步发现，答案关键源召回率提高了 15.6 点，混杂词元份额降低了 11.5 点。 ROAM 在各个经理级别上都保持强劲。