GRAVITY：面向长时程对话记忆的体系结构无关结构锚定
计算与语言
2026-05-05 v1 人工智能
摘要
长时程对话代理依赖具有日益复杂检索机制的记忆系统。然而，检索到的片段通常被作为非结构化文本输入到语言模型中，缺乏对复杂推理所必需的关系、时序和主题结构。为弥合这一推理鸿沟，我们引入 GRAVITY（\textbf{G}eneration-time \textbf{R}elational \textbf{A}nchoring \textbf{V}ia \textbf{I}njected \textbf{T}opological Memor\textbf{Y}），即一个即插即用的结构化记忆模块。GRAVITY 从原始对话语料中提取三种互补的知识表示：以关系图为基础的实体轮廓、链接为因果链的时间事件元组，以及跨会话的话题摘要。在生成时，它将这些表示作为结构化锚定上下文注入宿主系统的提示中。该方法无需对宿主模型进行任何架构修改，即可将分散证据有效地合成为连贯且与查询相关的上下文。对五个 diverse 记忆系统在 LongMemEval 和 LoCoMo 基准上的广泛评估表明了我们方法的有效性。在 GRAVITY 改进了 LLM-judge 准确率提升 7.5--10.1%。收益与基线强度呈反相关：最弱的宿主提升 12.2%，而最强的仍提升 3.8--5.7%。这些发现确立了结构化上下文锚定作为面向长时程对话记忆的广泛有效、体系结构无关的增强范式。
引用
@article{arxiv.2605.01688,
title = {GRAVITY: Architecture-Agnostic Structured Anchoring for Long-Horizon Conversational Memory},
author = {Yushi Sun and Bowen Cao and Dong Fang and Lingfeng Su and Wai Lam},
journal= {arXiv preprint arXiv:2605.01688},
year = {2026}
}