Fortunate Recall：按信息生命周期管理大模型记忆

当前LLM记忆系统同等对待所有个人事实，导致存储无限增长而检索精度下降。核心问题在于生命周期管理：根据事实的行为类型，决定哪些记忆保留、哪些替换，以及更新速率。Fortunate Recall（FR）是可组合策略层，将个人事实分为10+1类行为本体，并在LLM提取的元数据上以确定性函数应用分类策略，包括差异化时间衰减、槽键替代、事件时间有效性和类别感知检索路由。独立于基础设施的FR-Bank实现在新建516题时间消歧基准LifecycleBench上通过率为76.9%，超过Mem0、A-MEM、Memory-R1和MemoryOS的61%—70.5%；按标准Wu等人评审协议，在完整LongMemEval-S上达到75.2%，表明这些策略未给标准检索带来可测损失。预注册消融用三种通用生命周期原语替换类型层后，正确性无统计显著变化（−1.7个百分点，95%置信区间[−6.0,+2.7]），说明正确性优势主要来自通用生命周期元数据，而行为本体贡献校准，将下游虚构率减半（12.0%对24.2%，p<0.001）。端到端比较中，FR-Bank在已回答问题上的虚构率由Mem0的45.1%降至22.4%，全部问题上由32.2%降至13.0%，同时正确回答占比更高（31.2%对18.6%）；这一排名在开放权重Kimi K2.5上复现。该分解也迁移到独立构建的BEAM：280题正确率46.8%，Mem0为32.9%，本体收益集中在矛盾解决，约七个策略簇后趋于饱和。本体、基准及代码已发布。