EMIR$^2$：具有意图引导多轮检索的进化感知记忆

长期记忆使大语言模型 (LLM) Agent能够利用历史交互来执行未来的任务。然而，现有的记忆系统很难利用不断演变的历史信息，因为它们通常依赖于静态记忆表示和单轮检索策略，无法跟踪事实变化或整合长期交互中的分布式证据。为了应对这些挑战，我们提出了 \textsc{EMIR}$^{2}$，一个 \textbf{E}volution-Aware \textbf{M}emory 框架，具有 \textbf{I}ntent-Guided Multi-\textbf{R}ound \textbf{R}etrieval，使 LLM Agent能够维护不断发展的历史知识并自适应地检索相关证据。具体来说， \textsc{EMIR}$^{2}$ 构建了一个状态演化记忆图（SEMG），它将长期记忆表示为由时间事件轨迹和证据关联支持的演化知识状态。通过基于证据的更新来维护语义状态，SEMG 保留了历史演变，并能够在复杂和冲突的场景下进行证据追踪。在此基础上，我们引入了一种意图引导的多轮检索机制，该机制可以迭代地识别丢失的证据并根据积累的信息扩展检索。 LoCoMo 和 MemConflict 上的实验表明，\textsc{EMIR}$^{2}$ 提高了长期记忆利用率、动态和静态冲突处理以及复杂检索性能，在某些类别中实现了超过 12\% 的相对改进。这些结果强调了联合建模记忆进化和自适应证据获取对于长期Agent交互的有效性。