MemFit：高效长期 Agentic 内存

用于大语言模型（LLM）的长期记忆系统因扩展跨应用程序的推理能力而受到欢迎。当前的内存系统依赖 LLM Agent来组织和整合内存，从而导致写入操作成本高昂且效率低下。为了解决这个限制，我们提出了 MemFit，这是一种用于会话Agent的长期记忆系统，可以降低记忆操作的成本和延迟。与依赖昂贵的 LLM 调用进行内存构建或通过压缩丢弃表面级细节的现有系统不同，MemFit 将每个回合逐字存储在仅附加存储中，并具有近乎瞬时、无 LLM 的插入、用段摘要索引回合而不是替换它们。此外，MemFit 使用无大语言模型的多路径检索策略，该策略将词汇和语义信号与文本和多模态设置中的字幕增强片段的跨编码器重新排序相结合。 LoCoMo、MemGallery 和 LongMemEval-S 三个广泛使用的基准测试的实证结果表明，MemFit 实现了最先进的性能，同时减少了数倍的内存构建时间和成本，为持久性 Agentic 内存提供了可扩展且高效的解决方案。