Fortunate Recall：面向LLM持久一致性的本体驱动记忆生命周期管理

arXiv:2609.10413v1 公告类型：新发布 摘要：当前的 LLM 记忆系统对所有个人事实一视同仁，导致存储无限膨胀、检索精度持续下降。核心挑战在于生命周期管理：哪些记忆应当保留、哪些应当被替换、以何种速率进行，且需以每条事实的行为类型为条件。Fortunate Recall（FR）是一个可组合的策略层，它将个人事实分类到一个"10+1"行为本体中，并针对每个类别应用特定的生命周期策略（差异化时间衰减、槽位键取代、事件时间有效期，以及类别感知的检索路由），这些策略均以 LLM 提取的元数据为输入的确定性函数。我们的基础设施无关实现 FR-Bank 在新的 516 题时间消歧基准 LifecycleBench 上达到了 76.9% 的通过率，领先于 Mem0、A-MEM、Memory-R1 和 MemoryOS（61% 至 70.5%）；在采用 Wu 等人提出的标准评判协议下，FR-Bank 在完整的 LongMemEval-S 上取得 75.2% 的成绩，表明生命周期策略对标准检索没有造成可测量的开销。一项预注册的消融实验定位了收益来源：将类型化策略层替换为三个通用生命周期原语后，正确率无统计学变化（-1.7 个百分点，95% CI [-6.0, +2.7]），说明通用生命周期元数据承载了正确性优势；而行为本体则承载了校准能力，使下游虚构率（confabulation）降低一半（12.0% vs 24.2%，p<0.001）。端到端来看，FR-Bank 在已回答问题中将虚构率从 Mem0 的 45.1% 降至 22.4%，在全部问题中从 32.2% 降至 13.0%，同时正确回答的比例更高（31.2% vs 18.6%）；这一排名在开源权重的 Kimi K2.5 上得到复现。该分解方法迁移到了独立构建的基准 BEAM 上：在 280 个问题中正确率为 46.8%，而 Mem0 为 32.9%，其中本体的收益集中在矛盾消解任务上，且在约七个策略聚类时趋于饱和。本体、基准与代码均已发布。