arXiv cs.CL· Dongfang Li, Zixuan Liu, Junmai Wang, Jiahe Huang, Fuhao Li, Lin Zhang, Bonian Jia, Baotian Hu, Min Zhang·· 3 天前AI 评分37
LycheeMemory V2：通过语义段级整合为 LLM 智能体提供高效长期记忆
LycheeMemory V2: Efficient Long-Term Memory for LLM Agents via Semantic Segment-Level Consolidation
AI 导读
LycheeMemory V2 用语义段级整合替代逐轮整合，将多次交互批量打包为段并编码为上下文无关的类型化记忆记录，降低 LLM 编码频率。基于 GPT-4.1-Mini 的实验显示，其在 LoCoMo 上达到 89.22%、LongMemEval-S 上达到 92.20%，取得 SOTA 表现。
正文 · AI 翻译
摘要：长时程 LLM 智能体必须保留过往交互中的信息，以支持未来任务。现有记忆系统通常依赖即时整合，在每次交互后调用 LLM 来提取、总结或更新记忆。这种设计使得随着对话增长，记忆构建成本越来越高。粗粒度摘要可以降低构建成本，但存在丢弃细粒度上下文证据的风险，而更大的检索上下文或多跳 LLM 推理则将开销转移到查询时。我们提出 LycheeMemory V2，一种高效长期记忆框架，用语义片段级整合取代轮次级整合。LycheeMemory 不是整合每一次交互，而是将多轮交流批量归入片段，并将每个最终确定的片段编码为上下文无关的类型化记忆记录。片段级批处理降低了 LLM 编码频率，而语义边界检测有助于保留连贯的事件级和时间证据，优于固定窗口批处理。所得记录通过轻量结构化索引进行组织，以支持查询规划式证据检索。使用 GPT-4.1-Mini 的实验表明，LycheeMemory 达到最先进性能，在 LoCoMo 上达到 89.22%，在 LongMemEval-S 上达到 92.20%。与 A-Mem 相比，它在 LoCoMo 上减少构建 token 86.0%，在 LongMemEval-S 上减少 75.9%，且不增加查询时 token 使用量。更广泛地说，我们的结果表明，长期智能体记忆的准确率—成本权衡不仅取决于保留了什么信息，还取决于整合的粒度。
| 评论： | 33 页，5 幅图 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2608.12990 [cs.CL] |
| （或 arXiv:2608.12990v2 [cs.CL] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2608.12990 由 DataCite 颁发 arXiv DOI |
提交历史
来自：Dongfang Li [查看邮箱]
[v1]
2026 年 8 月 13 日星期四 09:13:15 UTC（862 KB）
[v2]
2026 年 10 月 14 日星期三 08:00:04 UTC（860 KB）
来源：arXiv cs.CL · arxiv.org