SuperLocalMemory V3.3：活生生大脑——面向零LLM智能体记忆系统的生物学启发式遗忘、认知量化与多通道检索
摘要
AI 编码智能体面临一个悖论：它们拥有庞大的参数知识，却无法记住一小时前的对话。现有记忆系统在向量数据库中存储文本，采用单通道检索，需依赖云端 LLM 完成核心操作，亦未实现使人类记忆高效的认知过程。我们提出 SuperLocalMemory V3.3（“活生生大脑”），即本地化智能体记忆系统，实现完整的认知记忆分类学并具备数学生命周期动力学。继 V3.2 的信息几何基础（arXiv:2603.14588）之上，我们引入五项贡献：（1）Fisher-Rao 量化感知距离（FRQAD）——一种新型的高斯统计流形度量，实现对高保真嵌入的偏好选择精度达 100%（对比余弦的 85.6%），尚无先例；（2）Ebbinghaus 适应性遗忘伴随生命周期感知的量化——首个在本地智能体记忆中耦合渐进式嵌入压缩的数学遗忘曲线，实现判别能力提升 6.7 倍；（3）7 通道认知检索涵盖语义、关键词、实体图谱、时序、扩散激活、巩固及 Hopfield 关联通道，在零 LLM 模式下达到 LoCoMo 测试集的 70.4%；（4）记忆参数化实现长期隐式记忆的软提示；（5）零摩擦自动认知管道自动化完成记忆的完整生命周期。在 LoCoMo 上，V3.3 在模式 A 中达到 70.4%，在多跳任务上提升 23.8pp，在对抗任务上提升 12.7pp。V3.2 在模式 A 中达到 74.8%，在模式 C 中达到 87.7%；此 4.4pp 的差距反映了一种刻意的架构权衡。SuperLocalMemory V3.3 在弹性许可证 2.0 下开源，可完全在 CPU 上运行，月下载量超过 5,000 次。
引用
@article{arxiv.2604.04514,
title = {SuperLocalMemory V3.3: The Living Brain -- Biologically-Inspired Forgetting, Cognitive Quantization, and Multi-Channel Retrieval for Zero-LLM Agent Memory Systems},
author = {Varun Pratap Bhardwaj},
journal= {arXiv preprint arXiv:2604.04514},
year = {2026}
}
备注
19 pages, 4 figures, 11 tables. Third paper in the SuperLocalMemory trilogy. Code: https://github.com/qualixar/superlocalmemory (v3.3.26). npm: superlocalmemory. PyPI: superlocalmemory