ProactMem：面向事件驱动 LLM 智能体的主动记忆机制

Proactive Memory for Event-Driven LLM Agents

AI 导读

研究者提出 Proactive Memory（ProactMem），将历史组织为近期事件、时间轨迹和行为规律三类，轨迹事实对照源事件核验，规律经历史回放评估后再匹配当前条件。团队同时构建纵向基准 ProactiveStream，覆盖三类应用场景，智能体按时间顺序处理孤立事件流。ProactMem 在该基准上取得 52.6% 的 F1，相对五个外部基线中最强者的相对提升为 21.4%，代码已公开。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：主动式 LLM 智能体从持续观察和累积历史中预判服务机会。现有方法强调近期上下文或相关记忆的检索，对验证反复出现的行为规律并评估其是否适用于当前事件的支持有限。我们提出主动记忆（ProactMem），将历史组织为近期事件、时间轨迹和行为规律。轨迹事实会与源事件进行核对，规律在匹配当前条件之前会通过历史重放进行评估。我们还构建了 ProactiveStream，这是一个纵向基准，覆盖三个应用范围，其中智能体按时间顺序处理孤立的事件流，并采用感知片段的机会标签。在 ProactiveStream 上，ProactMem 的总体有效性（F1）达到 52.6%，相比五个外部基线中最强的一个相对提升 21.4%。代码可在以下地址获取：this https URL。

评论：	15 页
主题：	人工智能（cs.AI）
引用为：	arXiv:2610.36967 [cs.AI]
	（或 arXiv:2610.36967v1 [cs.AI] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.36967 arXiv 颁发的 DOI 通过 DataCite（待注册）

提交历史

来自：Jinyang Li [查看电子邮件]
[v1] 2026 年 10 月 27 日星期二 10:23:50 UTC（499 KB）

来源：arXiv cs.AI · arxiv.org