从有损到可验证：面向智能体的可追溯分层内存
数据库
2026-02-23 v1 人工智能
摘要
长期智能体常将交互历史压缩为写入时的摘要。这会创建一个写入-查询的基本障碍：压缩决策是在系统知晓未来查询将依赖什么之前作出的。结果，摘要可能导致不可验证的遗漏——决定性约束（如过敏原则）可能被丢弃，使智能体无法以可追溯的证据来证明答案。保留原始日志可恢复权威的真相来源，但默认在原始日志上进行 grounding 代价高昂：许多查询仅需摘要即可解答，然而原始 grounding 仍需处理更长的上下文，导致 token 消耗和延迟增加。我们提出 TierMem，一种具有可追溯性的分层内存框架，将检索建模为推理时的证据分配问题。TierMem 使用两层内存层次，以最经济的充分证据回答查询：默认查询快速摘要索引，只有当摘要证据不足时，才由运行时充分性路由器升级到不可变的原始日志存储。TierMem 随后将经验证的发现写入新的摘要单元，链接到其原始来源。在 LoCoMo 上，TierMem 实现了 0.851 的准确率（相对于 0.873 的 raw-only），同时将输入 token 减少 54.1%，将延迟降低 60.7%。
引用
@article{arxiv.2602.17913,
title = {From Lossy to Verified: A Provenance-Aware Tiered Memory for Agents},
author = {Qiming Zhu and Shunian Chen and Rui Yu and Zhehao Wu and Benyou Wang},
journal= {arXiv preprint arXiv:2602.17913},
year = {2026}
}