arXiv cs.AI· Qi Feng, Jicong Fan·· 3 天前AI 评分36
MemPursuit：从长期智能体记忆中组合证据以补全缺失信息
Recall What Is Missing: Composing Evidence from Long-Term Agent Memory
AI 导读
MemPursuit 是一种免训练机制，将长期记忆的读取视为查询条件下的证据组合，用稀疏凸查询重建的残差作为表示空间中"当前记忆集缺失什么"的代理，无需语言模型或 cross-encoder 逐对打分。在 LoCoMo 固定预算实验中，Top-10 端到端准确率提升 7.2 个百分点、Top-20 提升 5.5 个百分点，重排序延迟中位数较全批量 BGE-v2-m3 提速 32.9 倍。
正文 · AI 翻译
摘要：在有限的上下文预算下，长期智能体不仅需要回忆与当前查询单独相关的记忆，还需要回忆对当前查询而言集体充分的证据。传统的记忆访问方式会检索、评分并截断记忆，往往将多个上下文槽位花费在冗余事实上，同时遗漏了互补的证据。我们将长期记忆的读取阶段视为以查询为条件的证据组合：每条记忆的价值取决于它在已选证据之外所增添的内容。我们以 MemPursuit 实例化这一操作，这是一种无需训练的机制，它使用稀疏凸查询重构的残差作为当前记忆集所缺失内容的表示空间代理。通过复用检索中已有的查询和候选嵌入，MemPursuit 逐步组合出嵌套的证据上下文，而无需调用语言模型或交叉编码器来为每个查询—记忆对打分。我们方法在 3 个流行基准上与强基线对比验证了有效性。在固定预算的 LoCoMo 实验中，MemPursuit 在 Top-10 上将端到端准确率提升了 7.2 个百分点，在 Top-20 上提升了 5.5 个百分点，并在多个记忆框架中取得了一致的增益，同时相比完全批处理的 BGE-v2-m3，中位重排序延迟实现了 32.9$\times$ 的加速。我们的实现可在 此 https URL 获取。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.15642 [cs.AI] |
| （或 arXiv:2610.15642v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15642 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Qi Feng [查看电子邮件]
[v1]
2026年10月11日星期日 14:18:11 UTC（4,566 KB）
来源：arXiv cs.AI · arxiv.org