AI 自动翻译
arXiv:2610.33274v1 发布类型：新
摘要：大型语言模型（LLM）代理在内存需求差异极大的场景中运行。针对过往对话的查询需要精确引用其中提及的事实，而多步骤任务则要求记录已执行的各步，并附上下一步无法直接表述的细节。现有的各类记忆机制均针对单一类型的场景进行设计与测试。诸如A-Mem之类的检索型记忆会遗漏当前查询未明确表达的步骤，而摘要型记忆则会丢失精确的字符串信息；将两者结合虽能弥补上述缺陷，却也提前固化了内存预算的分配。我们提出FlexA-Mem，这是一种通用型记忆方案：它将每一条历史记录仅写入一次至不可变存储中，并为每次调用生成一份全新的记忆。该生成的记忆由一段精简的记录时间线与补充细节构成，其中的补充细节遵循固定规则，在不触发LLM调用的情况下被合理安置于剩余空间内。这些补充细节或是以原始文本形式呈现的相关片段，或是与查询最为匹配的原文摘录。凭借单一存储结构，FlexA-Mem能够同时满足两类场景的需求。在AppWorld挑战任务的4K规模测试中，其性能较第二名方法高出11.5%；而在147项预测结果预先固定的未使用任务上，相较于采用摘要型记忆的A-Mem，FlexA-Mem更是领先12.2%。此外，在LongMemEval和LoCoMo两项评测中，FlexA-Mem的表现与完全不写入任何记忆的专用关键词检索器相当，而基于LLM生成文本构建的记忆则在资源紧张的情况下大幅落后。消融实验表明，时间线主要负责保障AppWorld任务的完成度，而恢复功能则更侧重于保存步骤并以精确事实决定最终准确性。代码详见https://github.com/WujiangXu/Flex-Amem。