面向 LLM 代理的多层记忆架构：长期上下文保留的实验评估
计算机视觉与模式识别
2026-04-01 v1 人工智能
摘要
长时程对话系统在延长的会话期间常出现语义漂移和记忆保留不稳定的问题。本文提出了一种多层记忆框架 (Multi-Layer Memory Framework)，将对话历史分解为工作记忆、情景记忆和语义记忆三层，并采用自适应检索门控和记忆正则化。该架构控制跨会话的漂移，同时保持受限的上下文增长和计算效率。在 LOCOMO、LOCCO 和 LoCoMo 上的实验显示出性能提升，实现了 46.85% 的成功率、0.618 的整体 F1 分数（其中 0.594 为多跳 F1 分数），以及 56.90% 的六期保留率，将错误记忆率降低至 5.1%，将上下文使用量降低至 58.40%。结果确认，在受限上下文预算下，增强了长期记忆保留和推理稳定性。
引用
@article{arxiv.2603.29194,
title = {Multi-Layered Memory Architectures for LLM Agents: An Experimental Evaluation of Long-Term Context Retention},
author = {Sunil Tiwari and Payal Fofadiya},
journal= {arXiv preprint arXiv:2603.29194},
year = {2026}
}