Chronos：基于结构化事件检索的时序感知对话式智能体
计算与语言
2026-03-18 v1
摘要
近期大语言模型（LLM）的进展使对话式 AI 智能体能够在数周甚至数月的时间段内进行扩展的多轮交互。然而，现有的记忆系统在处理跨数月交互中演化的时序化事实与偏好方面缺乏推理能力，且缺乏有效的检索策略来处理长期对话历史中基于时间的多跳查询。我们提出了 Chronos，一种新型时序感知记忆框架，将原始对话分解为带有已解析日期范围和实体别名的主谓宾事件元组，在结构化事件日历中进行索引，同时保留完整对话语境的轮次日历。在查询时，Chronos 通过动态提示为每个问题生成量身的检索指导，指导智能体检索、筛选时间范围、并通过在两个日历上的迭代式工具调用实现多跳推理。我们在 8 个 LLM（包括开源和闭源模型）上评估了 Chronos，测试对象为 LongMemEvalS 基准，包含 500 题，涵盖六类对话历史任务。Chronos Low 达到 92.60% 的准确率，Chronos High 达到 95.60% 的准确率，实现了对最佳先前系统的提升 7.67%。消融结果表明，事件日历为基线带来了 58.9% 的提升，而其他组件的改进范围在 15.5% 到 22.3% 之间。值得注意的是，Chronos Low 本身就超越了在其最佳模型配置下评估的先前方法。
引用
@article{arxiv.2603.16862,
title = {Chronos: Temporal-Aware Conversational Agents with Structured Event Retrieval for Long-Term Memory},
author = {Sahil Sen and Elias Lumer and Anmol Gulati and Vamse Kumar Subbiah},
journal= {arXiv preprint arXiv:2603.16862},
year = {2026}
}