长期智能体依赖记忆来重用经验，但现有的记忆系统通常假设证据可以通过固定表示直接被消费。这导致表示不匹配，相关信息可用但未针对当前决策进行组织。为此，我们提出 MemPrism，一种任务条件关系记忆框架，它将持久经验存储与决策时的工作记忆分离。MemPrism 将交互记录为事件流，并根据当前任务上下文动态构造关系视图。轻量级视图策略选择关系结构、证据范围、结果条件和粒度，而确定性构成器和渲染器将历史事实转换为临时的光学工作记忆视图，以适应冻结的任务策略。长期嵌入式和 web 代理基准测试表明，MemPrism 一致性地提高任务性能，尤其是随着轨迹变长，同时减少记忆令牌的消耗。此外，学习到的视图策略在不同的 VLM 中无需额外适应即可转移，证明任务条件关系视图作为智能体的一般记忆接口的有效性。 博主点评： MemPrism 框架通过任务条件关系记忆视图解决长期智能体的记忆表示问题，展现出提高任务性能和减少记忆消耗的优势，具有广泛的应用潜力。