AriadneMem：为LLM智能体构建生命周期记忆的途径
计算与语言
2026-03-05 v1 人工智能
信息检索
机器学习
摘要
长期视野的LLM智能体需要在固定的上下文预算下保持记忆系统的准确性。然而，现有系统在长期对话中面临两个持久挑战：（i）离散的证据，即需要在时间上分布的事实之间建立多跳答案的关联；（ii）状态更新，即演变信息（如日程变更）会与较旧的静态日志产生冲突。我们提出AriadneMem（AriadneMem），一种结构化记忆系统，通过解耦的两阶段管道来解决这些故障模式。在离线构建阶段，AriadneMem采用熵感知门控（entropy-aware gating）过滤噪声和低信息消息，在LLM提取后应用冲突感知细化（conflict-aware coarsening）合并静态副本，同时保留状态转换作为时间边缘。在在线推理阶段，AriadneMem不依赖昂贵的迭代规划，而是执行算法桥接发现（algorithmic bridge discovery）来重建检索事实之间缺失的逻辑路径，然后进行单次调用的拓扑感知综合（single-call topology-aware synthesis）。在LoCoMo实验中，AriadneMem相对于强大基线，使Multi-Hop F1提高15.2%，Average F1提高9.0%。关键的是，通过将推理卸载到图层，AriadneMem在仅使用497个上下文标记的情况下，将总运行时间缩短了77.8%。代码已公开：https://github.com/LLM-VLM-GSL/AriadneMem。
引用
@article{arxiv.2603.03290,
title = {AriadneMem: Threading the Maze of Lifelong Memory for LLM Agents},
author = {Wenhui Zhu and Xiwen Chen and Zhipeng Wang and Jingjing Wang and Xuanzhao Dong and Minzhou Huang and Rui Cai and Hejian Sang and Hao Wang and Peijie Qiu and Yueyue Deng and Prayag Tiwari and Brendan Hogan Rappazzo and Yalin Wang},
journal= {arXiv preprint arXiv:2603.03290},
year = {2026}
}