面向长期 LLM Agent 的检索驱动记忆再巩固机制

arXiv:2609.16053v1 公告类型：new 摘要：长期记忆对于在长时间交互中运行的基于 LLM 的 Agent 至关重要。现有记忆系统主要在新信息到达时更新记忆，将检索视为记忆访问的终点，而非驱动记忆演化的因素。因此，检索反馈很少被用于持续重组记忆以优化未来的访问。此外，大多数现有方法依赖预定义的记忆结构和固定的检索流程，限制了 Agent 自主组织和演化自身记忆的能力。受认知神经科学中记忆再巩固机制的启发，我们提出了 REALM——一个基于再巩固演化的 Agent 长期记忆框架。该框架将长期记忆建模为一个持续的生命周期：自主将记忆组织为异构认知图，通过自适应组合的图搜索原子检索证据，并基于检索反馈持续再巩固记忆。REALM 在 LoCoMo 上达到 75.97% 的平均准确率，在 LongMemEval 上达到 65.11%，分别超越最强基线 7.17 和 1.31 个百分点。消融实验证实，记忆再巩固能持续提升性能；进一步分析表明，该机制会将相关联的记忆单元逐步重组为更连贯的局部结构，以便在推理过程中实现集体证据的回忆与利用。这些结果表明，检索驱动的记忆再巩固为 LLM Agent 长期记忆的持续演化提供了一种有效机制。