加权记忆树：让长程 LLM Agent 记住关键信息

arXiv:2608.20631v1 Announce Type: new 摘要：大语言模型（LLM）Agent 已展现出解决需要规划、工具调用和外部信息访问的多步骤任务的能力，然而不断增长的执行历史会增加推理成本，并使推理过程暴露于过时、无关或误导性信息之中，可能降低推理质量。现有的记忆方法虽能对执行历史进行组织或压缩，但在决定哪些记忆应保持活跃方面提供的机制有限。我们引入了 WMT，一种分层记忆系统，它将执行过程组织为任务、子任务和动作，并为每条记忆分配动态保留分数。基于事件的更新和基于选择的衰减会不断修正这些分数，使 WMT 能够保留有用信息、折叠已完成轨迹、抑制低效用内容，并保留对已折叠上下文的访问能力。我们在 GAIA-Text 上使用 Qwen3-8B、Gemma 4 E4B 和 Llama-3.1-8B 对 WMT 进行评估，并开展了消融实验和记忆污染实验。相较于线性记忆，WMT 平均将准确率提升了 9.97 个百分点，同时将 prompt token 使用量降低了 32.8%。记忆污染实验表明，WMT 能够限制不可靠信息的持续存在与传播。我们的结果表明，有效的长程 Agent 记忆并不在于存储更多信息，而在于决定哪些信息应保持活跃。