CueMem：线索引导的上下文重建以实现长期会话记忆

长期会话代理必须通过从扩展的对话历史中调用信息来回答用户查询，但直接使用完整的历史记录成本高昂且通常不可靠，而压缩的内存单元可能会丢失回答问题所需的细粒度证据。受自传体记忆重建观点的启发，我们提出了 CueMem，这是一个线索引导框架，它将提取的记忆记录视为检索线索而不是独立的证据，并从其来源转向重建与查询相关的对话上下文。在记忆构建过程中，CueMem 从对话回合中提取细粒度的记忆线索，并将每个线索链接到其源回合。在查询时，它检索与查询相关的线索，将它们映射到源转向锚点，并从这些锚点扩展到捕获时间邻近性和语义相关性的转向图，从原始对话中重建紧凑的证据上下文，以生成 LLM 答案。 LoCoMo 和 LongMemEval 上的实验表明，CueMem 始终优于代表性的长期记忆基线。进一步的分析表明，与全历史 LLM 设置相比，基于图的上下文重建有助于恢复支持对话证据，同时减少查询时间输入标记和延迟。这些结果强调检索线索是长期会话问答中独立记忆证据的有效替代方案。