[AI学术] 革命性的长时记忆框架：MOSAIC 提升 LLM 代理的准确性与效率

摘要

LLM 代理通过持久记忆增强了对过去交互的回忆，但现有系统存在两个主要限制：扁平的非结构化存储失去了多跳和时间推理所需的关系上下文，而依赖昂贵的 LLM 分类使其在延迟敏感的部署中变得不切实际。此外，这些系统缺乏验证新信息与存储知识一致性的机制，导致矛盾信息的无声积累。

我们提出了 MOSAIC（结构化信息收集的记忆组织代理），这是一个结构化的、冲突感知的长时记忆框架，针对 LLM 代理，显著提高了准确性和效率。MOSAIC 引入了三个关键能力：

1. 实体类型图存储：通过语义分类保留事件、角色和关系之间的关系结构，支持对对话历史的多跳和时间推理。
2. 哈希加速的双路径检索：用局部敏感哈希替代 LLM 分类，实现近乎即时的查找，且精度损失微乎其微。
3. 主动冲突检测：在保存时交叉引用新信息与现有图邻居，触发对矛盾条目的更新或删除。

在 LoCoMo（长对话问答）、HaluMem 及一项新颖的临床指南错误复合测试中的评估显示，MOSAIC 在 LoCoMo 上实现了 89.35% 的准确率（比最佳基线高出 27.21 个百分点），在 HaluMem-Medium 提取 F1（86.77%）和 HaluMem-Long 提取 F1（85.84%）中表现最佳，同时在 Medium 和 Long 上的问答正确率为 73.10% 和 70.75%。此外，MOSAIC 检测到 66% 的注入事实冲突，检测率比最佳基线高出 4.7 倍（14%），而哈希加速检索将平均搜索延迟保持在每个问题 0.58 秒。

博主点评： MOSAIC 框架的提出，为 LLM 代理的长时记忆提供了一个突破性的解决方案，尤其是在复杂推理和快速响应需求日益增加的背景下，其结构化存储和冲突检测机制显得尤为重要，未来在实际应用中有望大幅提升智能助手的性能。