Bi-Mem：通过归纳-反思智能体构建分层记忆以实现针对个性化LLM的双向构建
多智能体系统
2026-01-13 v1
摘要
通过构建用户长期对话的记忆可克服LLM的上下文限制，实现个性化交互。近期研究聚焦于通过聚类和聚合历史对话来构建分层记忆，以建模用户的多粒度行为模式。然而，对话噪声和记忆幻觉在聚类过程中可能被放大，导致局部聚合记忆偏离用户的全局人格。为缓解此问题，我们提出Bi-Mem，一种通过双向构建确保分层记忆忠实性的智能体框架。具体而言，我们部署归纳智能体来构建分层记忆：它从原始对话中提取事实信息，形成事实级别记忆，利用图聚类将其聚合为主题情景（即局部情景级别记忆），并推断用户的轮廓作为全局人格级别记忆。同时，设计了反思智能体，使用源自人格级别记忆的全局约束来校准局部情景级别记忆，从而实现全局-局部对齐。为实现连贯的记忆检索，我们提出了一种关联检索机制：除了初始的分层搜索外，扩散激活过程允许事实激发情景上下文，而情景级别匹配检索关键性支持性事实信息。实证评估表明，Bi-Mem在针对长期个性化对话任务的问答性能方面实现了显著提升。
引用
@article{arxiv.2601.06490,
title = {Bi-Mem: Bidirectional Construction of Hierarchical Memory for Personalized LLMs via Inductive-Reflective Agents},
author = {Wenyu Mao and Haosong Tan and Shuchang Liu and Haoyang Liu and Yifan Xu and Huaxiang Ji and Xiang Wang},
journal= {arXiv preprint arXiv:2601.06490},
year = {2026}
}