MemWeaver：为可溯源长时程智能体推理编织混合记忆
计算与语言
2026-01-27 v1
摘要
基于大语言模型（LLM）并在长时程交互中运行的智能体需要记忆系统，以支持跨会话的时间一致性、多跳推理和证据支撑的复用。现有方法主要依赖非结构化检索或粗粒度抽象，这通常会导致时间冲突、脆弱的推理和有限的可溯源性。我们提出了MemWeaver，这是一个统一的记忆框架，将长期智能体经验整合为三个相互关联的组件：用于结构化关系推理的时间锚定图记忆、从重复观察中抽象出循环交互模式的经验记忆，以及保留原始文本证据的段落记忆。MemWeaver采用双通道检索策略，联合检索结构化知识和支持性证据，为推理构建紧凑但信息密集的上下文。在LoCoMo基准上的实验表明，MemWeaver显著提高了多跳和时间推理的准确性，同时与长上下文基线相比，将输入上下文长度减少了95%以上。
引用
@article{arxiv.2601.18204,
title = {MemWeaver: Weaving Hybrid Memories for Traceable Long-Horizon Agentic Reasoning},
author = {Juexiang Ye and Xue Li and Xinyu Yang and Chengkai Huang and Lanshun Nie and Lina Yao and Dechen Zhan},
journal= {arXiv preprint arXiv:2601.18204},
year = {2026}
}