arXiv cs.CL· Jingwei Sun, Jianing Zhu, Jiangchao Yao, Tongliang Liu, Bo Han·· 11 小时前AI 评分40
TriMem：超越原子事实的终身 LLM 智能体记忆新方案
Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory
AI 导读
TriMem 提出三种共存的记忆表示粒度——带来源标识的原始对话片段、抽取的原子事实、以及聚合分散事实的合成画像，兼顾存储保真、检索效率与深度推理。该方法采用 TextGrad 提示词优化，通过响应质量反馈迭代改进抽取与画像提示词，无需更新参数即可实现终身进化。
正文 · AI 翻译
摘要：为实现可靠的长期交互，LLM 智能体需要一个记忆系统，能够忠实存储、高效检索并深入推理累积的对话历史。现有方法大多采用基于抽取事实的范式：手工设计的静态提示将原始对话压缩为原子事实，随后将其存储、匹配并注入下游推理。然而，这种以事实为中心的设计不可避免地丢弃了原始对话中的细粒度细节，且无法支持对分散孤立事实的深度推理。此外，静态提示无法在多样化的对话风格中保持一致的抽取粒度。为解决这些局限，我们提出 TriMem，它维护三种共存的表示粒度，包括以源标识符锚定的原始对话片段以保证存储保真度、抽取的原子事实以实现高效记忆检索、以及将分散事实聚合为整体语义理解以支持深度推理的合成画像。我们进一步采用基于 TextGrad 的提示优化，通过响应质量反馈迭代改进抽取与画像提示，在无需任何参数更新的情况下实现终身演化。在 LoCoMo 和 PerLTQA 上跨多个 LLM 骨干的大量实验表明，TriMem 始终优于强记忆基线。代码可在 此 https URL 获取。
| 评论： | 被 NeurIPS 2026 接收 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2605.19952 [cs.CL] |
| （或 arXiv:2605.19952v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.19952 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jingwei Sun [查看邮箱]
[v1]
2026 年 5 月 19 日星期二 15:05:06 UTC（3,421 KB）
[v2]
2026 年 10 月 20 日星期二 11:37:16 UTC（2,977 KB）
来源：arXiv cs.CL · arxiv.org