超越记忆构建：重新思考基于 LLM 的会话Agent的记忆访问

记忆是会话Agent的核心组成部分，可在长时间交互中实现连贯且上下文感知的行为。最近的方法通常依赖于基于 LLM 的记忆构造，其中原始交互被重写为结构化记忆单元，然后通过 RAG 管道检索。虽然在受控环境中有效，但我们表明这种范式在长时域、高熵对话中会崩溃：随着上下文长度和信息复杂性的增长，记忆构建变得越来越有损和不稳定，并且由于重复的 LLM 调用而产生令人望而却步的成本。为了解决这些限制，我们提出了 Threader，这是一种记忆系统，它将重点从记忆构建转移到对原始交互的高效、结构感知访问。 Threader 没有重写交互，而是将它们保留为一流的记忆，通过轻量级增量分段将它们组织成主题连贯的片段，并通过多视图表示实现准确检索。在查询时，它执行多信号检索，将分段级访问与本地证据匹配相结合，确保完整性和一致性。大量实验表明，Threader 持续提高答案准确性和证据回忆，同时显着减少记忆构建开销。