长期记忆让 LLM 代理能够复用过去的经验，但仅检索到相关记忆并不一定能提供回答查询所需的充分证据。关键信息可能分散在多条记忆记录中，被抽象层次遮蔽，或与推理所需的关系脱节。我们将这种“相关‑充分”差距定义为 relevance‑sufficiency gap，并提出 QEMem 框架，将记忆利用重新表述为构建查询特定的证据集合，重点从单条检索的相关性转向整体证据的支撑力度。
QEMem 包含三种互补机制：
- 查询引导发现（query‑guided discovery）在不同记忆粒度上检索证据，确保覆盖潜在的碎片信息；
- 源定位实体化（source‑grounded reification）将检索到的内容组织为结构化的 ViewCards，明确每条证据的角色并标注来源；
- 充分性引导细化（sufficiency‑guided refinement）在证据集合仍不完整时主动补齐缺失信息。
该框架直接作用于已有记忆库，无需改变记忆的生成过程。实验在 LoCoMo 基准上使用 Claude Opus 4.5，取得 91.43% 的 LLM‑judge 准确率，较最强基线 MemR$^3$ 提升 7.6 个百分点，较 NEMORI 提升 10.7 个百分点（共享记忆库条件下）。进一步分析表明 QEMem 能显著提升证据覆盖率，并在需要跨会话整合证据的题目上表现出色。
点评