[AI学术] 颠覆传统的记忆管理：SF-AMS 框架在 LLM 代理中的应用

在长上下文依赖性管理中，冗余和无关信息会显著影响多步推理的效果。为了解决这一问题，提出了战略遗忘代理记忆系统（SF-AMS）框架，它通过建模记忆单元的长期重要性来维护紧凑且高效的记忆。

SF-AMS 采用了基于效用的生存机制，替代了静态检索和启发式衰减，能够根据使用冗余和时间信号更新记忆的重要性，从而诱导出一个层次化的记忆结构，优先保留稳定的实体一致信息，同时过滤掉噪声。

在此基础上，复合重要性评分集成了语义和实体级信号，以提高检索的鲁棒性。LoCoMo 和 LongMemEval-s 的实验结果显示，与当前最强的基线，如 LightMem、MemO 和 A-Mem 相比，SF-AMS 在多项任务上均表现出一致的提升。

其中，在 Qwen2.5-7B 下的多跳推理中，SF-AMS 的 F1 分数比最强基线提高了 9.65；在 GPT-4o-mini 下的时间推理中提高了 6.91；在开放域任务中提高了 6.53，显示出强大的跨骨干网络泛化能力。这些结果表明，将记忆重要性建模为动态效用信号对于可靠的长上下文推理至关重要。

博主点评： SF-AMS 框架通过动态管理记忆的重要性，展示了在 LLM 代理中实现高效推理的新思路。未来的研究可以进一步探索如何优化这一机制，以适应更复杂的应用场景。