大型语言模型（LLM）的记忆能力近年来受到广泛关注。现有的基于检索的记忆方法往往把所有记忆视为同质，使用统一的检索策略，导致在多样化场景下性能受限。为此，本文提出了记忆多分类数据集 TriMEM，对不同场景下的记忆进行精确标注，形成若干记忆类型。基于 TriMEM，作者设计了 MemoType 框架：通过学习的路由模型自动识别记忆和查询的类型，并据此选择对应的检索策略。记忆路由与查询路由相结合，使得系统能够针对每类记忆使用最合适的检索方式，从而提升检索精度。理论上，作者证明在多类语料库中，任何单一检索策略的期望检索精度都有一个上限，导致系统性精度下降。实验在三个公开数据集上进行，MemoType 在 Recall@1 上最高提升 16.18%，显著超越现有方法。
点评