【第520期】SimpleMem：大语言模型智能体的高效终身记忆框架

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你有自己的论文要解读，或者推荐论文，请留言。

今天的主题是：

SimpleMem: Efficient Lifelong Memory for LLM Agents

Summary

为支持复杂环境下的长期交互，大语言模型（LLM）智能体需要具备能够管理历史经验的记忆系统。现有方法要么通过被动扩展上下文来保留完整交互历史，导致信息冗余严重；要么依赖多轮迭代推理来过滤噪声，从而带来高昂的 token 消耗。针对这一问题，本文提出了 SimpleMem，一种基于语义无损压缩（semantic lossless compression）的高效记忆框架。我们设计了一个三阶段处理流水线，以最大化信息密度与 token 利用率：
语义结构化压缩（Semantic Structured Compression）：将非结构化交互内容提炼为紧凑的、多视角索引的记忆单元，提高信息组织度与可检索性。
在线语义综合（Online Semantic Synthesis）：在单次会话内部即时整合相关上下文，将分散信息抽象为统一表示，消除冗余。
意图感知检索规划（Intent-Aware Retrieval Planning）：通过推断检索意图，动态确定检索范围，并高效构建精确上下文。在基准数据集上的实验结果表明，该方法在准确率、检索效率与推理成本方面均持续优于基线方法。在 LoCoMo数据集上，SimpleMem 的平均 F1 值提升达 26.4%，同时在推理阶段将 token 消耗降低至原来的最高 1/30，实现了性能与效率之间的显著优化平衡。

代码已在论文提供的链接中公开。

原文链接：https://arxiv.org/abs/2601.02553