通过询问记住：LLM Agent的检索引发的记忆演化

长期记忆对于语言Agent在扩展的多会话交互中保持连贯和有效的行为至关重要。现有的记忆系统主要使用读取时的检索，而写入时的记忆形成仍然依赖于直接提取或压缩。然而，当未来的信息需求未知时，一次性压缩整个交互可能会忽略稍后可能重要的本地重要细节。为此，我们引入了 RIME，这是一种检索诱导的记忆框架，它将记忆构建从整体压缩转变为以证据为中心的集成。 RIME 使用通用的自我问题来检索重点对话证据，并在检索到的证据和相关历史记忆中奠定记忆形成的基础，这些证据与时间和来源信息共同协调成一个不断发展的记忆库。在推理时，压缩记忆充当主要而非唯一的证据来源：当它无法支持答案时，RIME 会检索相关的源对话及其本地上下文，以恢复记忆形成过程中遗漏的信息，而无需诉诸全历史处理。使用 Qwen3-235B-A22B 和 GPT-5.6 Sol 在 LoCoMo 上进行的大量实验表明，在比较方法中，RIME 在所有三个质量指标上始终实现最佳性能，同时需要的查询时间 LLM 词元少得多。