arXiv cs.AI· Shixuan Li, Wei Yang, Peiyu Zhang, Anzhe Cheng, Heng Ping, Xiaole Zhang, Jesse Thomason, Xuezhe Ma, Yue Zhao, Paul Bogdan·· 11 小时前AI 评分38
QEMem 框架：从相关记忆到充分证据，重新思考 LLM 智能体的记忆利用
From Relevant Memories to Sufficient Evidence: Rethinking Memory Utilization in LLM Agents
AI 导读
研究者提出 QEMem 框架，将 LLM 智能体的记忆利用重构为构建查询专属证据集，而非依赖单条记忆的相关性。
正文 · AI 翻译
摘要：长期记忆使 LLM 智能体能够复用过往经验，但检索到相关记忆并不一定能为回答查询提供充分证据。关键信息可能仍分散在记忆记录中，被抽象化所掩盖，或与推理所需的关系脱节。我们识别出这一相关性—充分性差距，并提出 QEMem，一个将记忆利用重构为构建查询特定证据集的框架，将关注点从单个检索相关性转向集体证据支持。QEMem 集成了三种互补机制：查询引导的发现跨多个记忆粒度检索证据；基于来源的具体化将其组织为具有明确证据角色和来源引用的结构化 ViewCards；充分性引导的细化则选择性地恢复缺失信息。QEMem 在现有记忆存储上运行且不修改记忆形成，在 Claude Opus 4.5 下于 LoCoMo 上达到 91.43% 的 LLM 评判准确率，在共享记忆存储下比最强评估基线 MemR$^3$ 高出 7.6 个百分点，比 NEMORI 高出 10.7 个百分点。进一步分析表明证据覆盖率有所提升，并在需要跨会话证据整合的问题上表现强劲。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.22668 [cs.AI] |
| （或 arXiv:2610.22668v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22668 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shixuan Li [查看邮箱]
[v1]
2026年10月15日星期四 21:34:17 UTC（321 KB）
来源：arXiv cs.AI · arxiv.org