APDMem：Agent 可控的渐进式披露，实现查询自适应长期记忆

2026年10月5日作者：AI铺子编辑部

大模型融资

APDMem 是一种由智能体控制的分层长期记忆架构，旨在帮助个性化大语言模型助手从冗长对话中高效检索稀疏证据。该架构将对话历史组织为主题摘要、关键事实、轮次证据笔记和原始消息四个层级，推理时按查询复杂度逐层深入。

arXiv:2610.02472v1 公告类型：new 摘要：个性化 LLM 助手必须在复杂程度各异的查询中，从冗长的对话历史里检索出稀疏的证据。我们提出 APDMem（Agent 控制的渐进式披露记忆），这是一种分层长期记忆架构，将渐进式披露（progressive disclosure）应用于记忆检索。APDMem 不依赖扁平化的记忆存储或固定的检索粒度，而是将对话历史表示为四个逐层细化的层级：主题摘要、个性化关键事实、轮次级证据笔记和原始消息。在推理阶段，控制器对记忆层级执行渐进式披露：先读取高层摘要，仅在必要时再深入检索更细粒度的证据。由此形成自适应的成本-保真度权衡：简单查询可提前终止，而涉及时间推理、多跳推理或精确证据的复杂查询则会触发更深层的检索。笔记合成器（note synthesizer）将检索到的证据转换为聚焦查询的结构，在生成最终答案前整合事实、梳理事件顺序并标记矛盾之处。LongMemEval 实验表明，APDMem 在进行长上下文记忆推理时表现出色，同时仅访问了全部对话内容的 8%。