🔥 今日值得一读
LLM智能体记忆准确率暴涨7.17%！检索驱动再巩固框架REALM让长期记忆自主进化
Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents
📖 AI 总结
这篇论文针对长期LLM智能体记忆系统提出新思路。现有方法通常只在新信息到来时更新记忆，把检索视为记忆访问的终点，而非记忆演化的驱动力，且依赖预定义结构和固定检索流程，限制了智能体自主组织与演化记忆的能力。受认知神经科学中记忆再巩固机制启发，作者提出REALM框架，将长期记忆建模为持续生命周期：自主将记忆组织为异构认知图，通过自适应组合的图搜索原子检索证据，并基于检索反馈不断再巩固记忆。实验显示，REALM在LoCoMo和LongMemEval上分别达到75.97%和65.11%的平均准确率，较最强基线提升7.17和1.31个百分点。消融研究证实记忆再巩固能稳定提升性能，并逐步将相关记忆单元重组为更连贯的局部结构，支持推理时的集体证据召回。该工作表明，检索驱动的记忆再巩固是LLM智能体长期记忆持续演化的有效机制。
🔑 关键词速览
| REALM | 本文提出的再巩固-演化智能体长期记忆框架，将长期记忆建模为持续生命周期。 |
| 记忆再巩固（Memory Reconsolidation） | 受认知神经科学启发，指记忆在检索反馈驱动下被持续重组和更新的过程。 |
| 异质认知图（Heterogeneous Cognitive Graph） | 一种用于自主组织长期记忆的图结构，包含不同类型的节点和关系以支持灵活检索。 |
| 图搜索原子（Graph-Search Atoms） | 可自适应组合的基本检索操作单元，用于在认知图中检索证据。 |
| LoCoMo / LongMemEval | 用于评估长期记忆能力的两个基准数据集，分别测试不同场景下的记忆表现。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅