面向长时序对话智能体的时间-层次记忆整合框架 TiMem
计算与语言
2026-05-01 v2 人工智能
摘要
长时序对话智能体必须管理不断增长的交互历史，这些历史很快会超出大型语言模型（LLM）有限的上下文窗口。现有记忆框架对跨层次的时间结构信息支持有限，常导致记忆碎片化和长时序个性化不稳定。我们提出 TiMem，一种时间-层次记忆框架，通过时序记忆树（TMT）组织对话，实现从原始对话观察到逐层抽象化人格表征的系统记忆整合。TiMem 的三个核心特性为：（1）通过 TMT 的时间-层次组织；（2）语义引导的整合，使记忆可在层次间集成且无需微调；（3）复杂度感知的记忆检索，在不同复杂度查询之间实现精确性与效率的平衡。在一致的评估设置下，TiMem 在两个基准测试中实现了最先进的准确率，分别在 LoCoMo 上达到 75.30%，在 LongMemEval-S 上达到 76.88%。它超越了所有评估基线，同时在 LoCoMo 上将检索记忆长度降低了 52.20%。流形分析显示在 LoCoMo 上人格分离较为明显，而在 LongMemEval-S 上则呈现出较低的离散程度。总体而言，TiMem 将时间连续性作为长时序记忆在对话智能体中的首要组织原则。代码已公开于 https://github.com/TiMEM-AI/timem。
引用
@article{arxiv.2601.02845,
title = {TiMem: Temporal-Hierarchical Memory Consolidation for Long-Horizon Conversational Agents},
author = {Kai Li and Xuanqing Yu and Ziyi Ni and Yi Zeng and Yao Xu and Zheqing Zhang and Xin Li and Jitao Sang and Xiaogang Duan and Xuelei Wang and Chengbao Liu and Jie Tan},
journal= {arXiv preprint arXiv:2601.02845},
year = {2026}
}
备注
ACL 2026 Findings