LLM记忆新突破：读取提速4倍，过时答案率从19.4%降至10.9%！
MoM: Memory of Memory
📖 AI 总结
该论文针对长时程LLM智能体的记忆问题提出新思路：记忆的关键不在于曾记录什么，而在于当前有效的内容。现有方案要么在查询时重建记忆，导致过期信息重新进入并反复处理冲突；要么在写入时直接覆盖，使错误更新无法恢复、历史状态丢失。作者提出“记忆的记忆”（MoM）框架，要求记忆不仅跟踪内容，还跟踪其来源、状态与历史，并将其实例化为类型化溯源图P-Mem，通过“活跃前沿”为每个已解析键暴露唯一当前值，同时保留被替换的值作为溯源，并支持支持、取代、争议、拒绝、撤销、解决等类型化操作。实验显示，P-Mem在读取token减少约四倍的情况下达到最强检索记忆的准确率，将知识更新场景的过期答案率从19.4%降至10.9%，在修订链上保持100%正确率，并能恢复CRUD记忆无法恢复的已提交错误。
🔑 关键词速览
| Memory of Memory (MoM) | 一种记忆框架，不仅追踪记忆内容，还追踪其条目的来源、状态和历史。 |
| Provenant Memory (P-Mem) | MoM的具体实现，使用类型化来源图，通过活跃前沿暴露当前值并保留被替换值作为来源。 |
| CRUD memory | 传统的写入时记忆模型，支持创建、读取、更新、删除操作，但会覆盖旧值导致无法恢复错误。 |
| active frontier | P-Mem中为每个已解析键暴露一个当前值的机制，确保读取时直接获取最新有效值。 |
| knowledge-update stale-answer rate | 在知识更新场景中，智能体给出过时答案的比例，衡量记忆系统处理更新的有效性。 |
📱 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