长期记忆系统已成为扩展大语言模型（LLM）推理能力的关键。现有方案通常让 LLM 代理组织和合并记忆，导致写入成本高、效率低。MemFit 通过在追加式存储中逐轮原文保存，实现几乎即时、无需 LLM 的插入，并使用段落摘要进行索引，而不是替换原始内容。检索方面，MemFit 采用多路径策略，结合词法和语义信号，并在带字幕的文本或多模态片段上使用交叉编码器重新排序。实验在 LoCoMo、MemGallery 和 LongMemEval‑S 三个基准上取得最先进的效果，同时将记忆构建时间和成本降低数倍，展示了可扩展且高效的持久代理记忆方案。
点评：MemFit 的设计在保持原始对话细节的同时，显著削减了对 LLM 的依赖，为大规模对话系统提供了实用的长期记忆框架。