长期交互中的 LLM 代理需要可靠的长期记忆。传统记忆系统在新信息到来时才更新记忆，并把检索视为访问的终点，忽略了检索反馈对记忆结构的持续重组。大多数方法依赖预定义的记忆结构和固定的检索流程，限制了代理自主组织记忆的能力。受认知神经科学中记忆再巩固机制的启发，本文提出 REALM（reconsolidation‑evolution agentic long‑term memory），将长期记忆建模为一个持续的生命周期。系统自动将记忆组织为异构认知图，使用自适应组合的图搜索原子进行证据检索，并依据检索反馈不断再巩固记忆。实验在 LoCoMo 上达到 75.97% 的平均准确率，在 LongMemEval 上达到 65.11%，分别比最强基线提升 7.17 和 1.31 分。消融实验表明记忆再巩固始终提升性能，进一步分析显示它会将相关记忆单元逐步重组为更紧凑的局部结构，以便在推理时实现集体证据的召回与利用。结果表明，检索驱动的记忆再巩固为 LLM 代理的长期记忆提供了有效的持续演化机制。
点评