将代理记忆 grounding 在情境意图中
计算与语言
2026-05-01 v2 人工智能
信息检索
摘要
在长期、以目标为导向的交互中部署大语言模型仍然具有挑战，因为相似的实体和事实会在不同的潜在目标和约束下重复出现，导致记忆系统检索到上下文不匹配的证据。我们提出了 STITCH（Structured Intent Tracking in Contextual History，结构化意图在情境历史中的跟踪），一种代理记忆系统，该系统为每个轨迹步骤索引结构化检索线索、情境意图，并通过匹配当前步骤的意图来检索历史。情境意图提供简洁的信号，用于消除重复提及并减少干扰：（1）定义主题段落的当前潜在目标，（2）动作类型，以及（3）锚定哪些属性重要的显著实体类型。在推理期间，STITCH 通过意图兼容性过滤和优先排序记忆片段，抑制语义相似但上下文不兼容的历史。对于评估，我们引入了 CAME-Bench，这是一个用于现实、动态、以目标为导向的轨迹中情境感知检索的基准。我们在 CAME-Bench 和 LongMemEval 上进行评估，STITCH 实现了最先进的性能，相对于最强的基线提高了 35.6%，随着轨迹长度的增加，提升幅度更大。我们的分析表明，意图索引显著减少了检索噪声，支持面向意图的记忆以实现稳健的长期推理。
引用
@article{arxiv.2601.10702,
title = {Grounding Agent Memory in Contextual Intent},
author = {Ruozhen Yang and Yucheng Jiang and Yueqi Jiang and Priyanka Kargupta and Yunyi Zhang and Jiawei Han},
journal= {arXiv preprint arXiv:2601.10702},
year = {2026}
}
备注
ACL 2026