Memanto：面向长时程智能体的带信息论检索的类型化语义记忆

从无状态语言模型推理到持久化、多会话自主智能体的转变，已揭示记忆是部署生产级智能体系统的主要架构瓶颈。现有方法主要依赖于混合语义图架构，这在数据摄入和检索过程中都带来了巨大的计算开销。这些系统通常需要大语言模型介导的实体提取、显式图模式维护以及多查询检索流水线。本文介绍了Memanto，一个面向智能体人工智能的通用记忆层，它挑战了知识图复杂性对于实现高保真智能体记忆是必要的这一普遍假设。Memanto集成了一种类型化语义记忆模式，包含十三个预定义的记忆类别、一个自动冲突解决机制以及时间版本控制。这些组件由Moorcheh的信息论搜索引擎实现，这是一个无索引的语义数据库，可在低于90毫秒的延迟内提供确定性检索，同时消除了摄入延迟。通过在LongMemEval和LoCoMo评估套件上的系统基准测试，Memanto分别达到了89.8%和87.1%的最先进准确率分数。这些结果超越了所有评估的混合图和基于向量的系统，同时仅需一次检索查询，不产生任何摄入成本，并保持显著更低的操作复杂性。我们进行了一项五阶段渐进式消融研究，以量化每个架构组件的贡献，随后讨论了其对智能体记忆系统可扩展部署的影响。