MINDSET：基于版本化状态迁移的长对话记忆

长对话智能体已成为我们日常生活中必不可少的部分。他们必须记住很久以前说过的话，才能帮助我们高效地完成任务，而不需要用户反复重复指令和上下文。然而，主要问题是指令和上下文随着时间的推移而变化，因此智能体必须能够相应地适应。有用的记忆系统应该保留当前和历史状态，区分陈旧信息和活跃知识，检索适合查询的证据，并避免重复调用大语言模型来重写先前的交互。我们引入了 MINDSET，一个记忆控制器，它将对话存储为不可变的片段，并通过最小能量状态转换将它们组织成版本化模式。每个即将到来的情节都可能强化、取代、分裂或创建一个图式。过渡决策平衡了表象扭曲、矛盾、历史损伤、碎片化和内部不一致，而滞后性则防止孤立的矛盾过早改写稳定的记忆。我们针对 5 个记忆系统在 850 个问题的可重复样本（700 个 LoCoMo + 150 个 MemoryAgentBench）上评估 MINDSET。 MINDSET 获得了最高的观察到的 LoCoMo 答案 F1，同时相对于第二佳方法 LightMem（Holm 校正后 p<0.01）显着提高了检索排名（召回率@8、MRR 和 nDCG@8）。尽管相对差异很小，但它在 MemoryAgentBench 上获得了最高的观察分数。 消融 认为受控碎片和模式感知分配是答案质量的最大贡献者。此外，使用 GLM-4.7 和 Gemma-4-31B 进行的 700 个问题跨模型评估支持模型独立性。这些结果表明，长期记忆可以更好地处理为受限状态管理，而不是连续汇总。