从检索到重建：构建长期对话的可进化认知记忆

作为长期对话代理的大型语言模型（LLM）需要支持扩展交互的可靠推理的记忆系统。然而，现有的检索增强生成（RAG）框架通常将内存视为被动存储，这使得很难区分来源归因的信念和未归因的事件/事实记录，也很难将分散在会话中的证据联系起来。我们介绍 CogMem，一种基于 PEC$^2$F（人-事件-概念-声明-事实）图模式的认知记忆架构。专用声明节点保留主观陈述的来源和目标，而事实和事件节点代表语义和情景知识。当同一来源提供冲突的更新时，对话轮次会逐步转换为来源感知的图形记录，合并为更高级别的事实，并协调为时间范围的声明视图。对于检索，由 LLM 意图解析驱动的基于规则的控制器组成了四个确定性图运算符——锚定、遍历、交叉和证据基础——以重建 与查询相关的上下文。 LoCoMo 和 LongMemEval 上的实验显示出强大的性能，特别是在多跳、时间和知识更新任务上。消融和语义崩溃探测支持认知分离、整合和 agentic 检索的互补贡献。代码：https://github.com/Silent-Rain02/CogMem.