长期 LLM 代理的检索驱动的内存重新整合

长期记忆对于基于 LLM 的代理在扩展交互中运行至关重要。现有的记忆系统主要在新信息到达时更新记忆，将检索视为记忆访问的终点，而不是记忆进化的驱动力。因此，很少利用检索反馈来重新组织记忆以供将来持续访问。此外，大多数现有方法依赖于预定义的记忆结构和固定的检索管道，限制了智能体自主组织和发展其自身记忆的能力。受认知神经科学中记忆重新巩固的启发，我们提出了 \textbf{REALM}，一个 \textbf{r}econsolidation-\textbf{e}volution \textbf{a}gentic \textbf{l}long-term \textbf{m} 记忆框架。它将长期记忆建模为一个连续的生命周期，通过自主地将记忆组织成异构认知图，通过自适应组成的图搜索原子检索证据，并根据检索反馈不断重新巩固记忆。 REALM 在 LoCoMo 上的平均准确度为 75.97%，在 LongMemEval 上的平均准确度为 65.11%，分别比最强基线高出 7.17 点和 1.31 点。消融研究证实，记忆重新巩固持续提高表现，进一步分析表明，它逐渐将相关记忆单元重组为更连贯的局部结构，以便在推理过程中回忆和利用集体证据。这些结果表明，检索驱动的记忆重新巩固为大语言模型代理人的长期记忆的持续发展提供了有效的机制。