SF-AMS：LLM Agent 中结构化记忆的策略遗忘

arXiv:2607.22562v1 公告类型：新 摘要：管理长上下文依赖仍然是 LLM 代理的主要瓶颈，因为冗余和不相关的信息会降低多步推理的性能。代理记忆系统的战略遗忘（SF-AMS）被提出作为通过对记忆单元的长期重要性进行建模来维护紧凑的高利用率记忆的框架。 SF-AMS 用实用程序驱动的生存机制取代了静态检索和启发式衰减，该机制根据使用冗余和时间信号更新内存重要性，从而引入分层内存结构，优先考虑稳定的实体一致信息，同时过滤噪声。除此之外，复合重要性评分集成了语义和实体级信号，以提高检索的稳健性。 LoCoMo 和 LongMemEval-s 上的实验表明，与包括 LightMem MemO 和 A-Mem 在内的最先进的基线相比，获得了一致的增益。最大的改进出现在 Qwen2.5-7B 下的多跳推理中，其中 SF-AMS 在最强基线上实现了 + 9.65 F1，其次是 GPT-4o-mini 下的时间推理 + 6.91 F1 和开放域任务 + 6.53 F1，展示了强大的跨主干泛化。这些结果表明，将记忆重要性建模为动态效用信号对于可靠的长上下文推理至关重要。