🔥 今日值得一读
仅访问8%对话，APDMem让LLM长记忆推理性能飙升！
APDMem: Agent-Controlled Progressive Disclosure for Query-Adaptive Long-Term Memory
👨💼 主理人解读 · 为什么值得关注
为个性化LLM助手提供四层渐进式记忆检索，按查询复杂度自适应调取，提升长对话历史利用效率。
📖 AI 总结
APDMem 是一种面向个性化大模型助手的分层长期记忆架构，旨在解决从冗长对话历史中检索稀疏证据的难题。该方法将对话历史组织为主题摘要、个性化关键事实、轮次级证据笔记和原始消息四个逐步细化的层级，并在推理时由控制器实施渐进式披露：先读取高层摘要，仅在必要时深入更细粒度的证据。这一机制形成自适应的成本—保真度权衡，简单查询可提前终止，而复杂的时间、多跳或精确证据类查询则触发更深层检索。此外，笔记合成器将检索到的证据转化为面向查询的结构，整合事实、排列事件顺序并标记矛盾。在 LongMemEval 上的实验表明，APDMem 在长上下文记忆推理中表现强劲，且仅需访问全部对话的 8%。
🔑 关键词速览
| APDMem | 一种智能体控制的分层长期记忆架构，通过渐进式披露机制实现查询自适应的记忆检索。 |
| 渐进式披露 | 一种按需逐层深入检索信息的策略，先读取高层摘要，仅在必要时才访问更细粒度的证据。 |
| 分层长期记忆 | 将对话历史组织为多个详细程度不同的层次（如摘要、事实、笔记、原始消息）的记忆结构。 |
| 成本-保真度权衡 | 在检索过程中平衡计算成本与信息保真度的自适应机制，简单查询可提前终止以节省成本。 |
| LongMemEval | 一个用于评估长上下文记忆推理能力的基准数据集。 |
📱 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