Fortunate Recall：以本体论管理 LLM 记忆生命周期，确保持久连贯性

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、以多快的节奏进行，且这一切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（behavioral ontology）中，并针对各类别应用特定的生命周期策略——包括差异化时间衰减（differential temporal decay）、槽位键取代（slot-key supersession）、事件时间有效性（event-time validity）以及类别感知检索路由（category-aware retrieval routing）——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 LifecycleBench（一个全新的 516 题时间消歧 benchmark）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，于完整的 LongMemEval-S 上取得 75.2%，表明生命周期策略对标准检索未造成可测量的性能损耗。一项预注册的消融实验定位了收益来源：将有类型区分的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；而行为本体则承载校准能力，使下游虚构（confabulation）减半（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%，在全部问题上从 32.2% 降至 13.0%，同时正确回答的比例反而更高（31.2% vs 18.6%）；这一排序在开源权重的 Kimi K2.5 上得到复现。该分解方法迁移至独立构建的 benchmark BEAM：在 280 题上正确率达 46.8%，而 Mem0 为 32.9%，其中本体的收益集中于矛盾消解，且在接近七个策略簇时趋于饱和。本体、benchmark 与代码均已发布。