AutoViewMem框架通过正交视图重构对话长期记忆
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对大模型智能体长期记忆中异构信息混合导致语义干扰与检索噪声问题，AutoViewMem框架在写入阶段将交互轨迹拆解为低重叠的互补语义视图，并据此提取带溯源信息的结构化记忆，把语义解耦从检索期提前至写入期，使标准top-K检索即可获取聚焦证据而无需显式路由。该框架还引入离线整合提升记忆紧凑度与一致性。在LoCoMo与PersonaMem基准下，基于Qwen3-8B和Qwen3-14B的实验表明，其在长程问答与个性化任务上优于强基线，且保持了简单推理流程。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载异构记忆混合检索痛点
大模型智能体在长期交互中需维持一致性与个性化，这高度依赖长期记忆。现有记忆系统常采用固定粒度或静态模式，当偏好、事件、约束与时间更新等异构信息被嵌入单一混合表示时，会产生语义干扰。这种干扰导致top-K检索对噪声极为敏感，且常使相关证据排序靠后，严重影响记忆召回质量。
写入期语义解耦与视图自配置
AutoViewMem提出以数据驱动方式组织长期对话记忆，核心是将语义解耦从检索期提前至写入期。该框架先从交互轨迹中挖掘候选视图，随后筛选出紧凑且互补的视图集合，以此引导写入时进行带溯源信息的结构化记忆提取。这种表示优先设计使标准top-K相似度搜索即可检索到聚焦证据，免去了显式路由或迭代检索的复杂流程。此外，框架还应用离线整合操作来增强记忆的紧凑度与一致性。
基准测试与模型验证结果
研究在LoCoMo和PersonaMem两个基准上对框架进行了评估，骨干模型选用Qwen3-8B与Qwen3-14B。实验结果表明，相较于强记忆基线，AutoViewMem在长跨度问答与个性化任务上均取得提升，同时维持了简单的推理管线，验证了正交视图引导的写入期解耦方案对提升长期记忆检索有效性的实际价值。
为什么值得看
将语义解耦从检索提前至写入阶段，解决异构信息混合导致的检索噪声，提升长程对话记忆准确性与个性化能力。
Qwen大模型智能体基准测试
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。