Mem++：适用于长期组织 LLM Agent的非破坏性内存

大语言模型 (LLM) Agent现在参与组织工作，许多作者在几个月内跨文档记录决策。由于修订后的决定作为新文档而不是编辑内容到达，因此回答问题需要知道在给定时间持有哪个版本。然而，大多数内存系统在写入时压缩记录。通过将每个文档提炼成事实、注释或图表边缘，这些方法可以在提出任何问题之前确定可以回答的内容。为了解决这个问题，我们提出了 Mem++，一种从写入时蒸馏转向读取时选择的非破坏性内存框架。 Mem++ 完整存储每个文档及其日期和作者，并且在写入时不调用生成模型。在读取时，它仅检索截至问题询问时间的文档，并融合词汇和语义排名。与覆盖旧版本的系统不同，Mem++ 保留它们并将选择权留给应答模型。对组织基准 OrgMemBench 的评估表明，Mem++ 在两个回答模型中超出了最强的记忆系统基线 8.0 到 13.1 点。使用gpt-4.1-mini，它也取得了最好的总分，比RAG高出2.6分。此外，Mem++ 在 LoCoMo 上获得了最佳的 LLM 评审平均分数，并在 LongMemEval-S 上排名第二，仅落后于其实体图变体。基准评估代码可在 https://github.com/AIDAChip-Inc/mem-plus-plus. 获取