实用的 Web 应用越来越需要代理能够理解长对话或文档。当输入长度超出大语言模型（LLM）的上下文窗口时，记忆代理会把文本分段并在受限记忆中保留历史信息。传统方法把输入切成平坦的 token 块，忽略了结构和层次，导致三大问题：\n1. 固定长度切分会把同一记录的字段拆开，破坏关联；\n2. 块缺乏层次信息，难以辨认其在整体结构中的位置；\n3. 连续的记忆更新会丢失早期兄弟记录的细节，影响后续推理。\n\n为了解决这些问题，本文提出 TreeAgent，它利用输入的层次结构来指导分段和记忆访问。具体做法是：\n- 将完整子树或相邻兄弟子树组合成一个段，保持局部结构关系；\n- 为每个段附加结构路径，使代理能够识别其祖先节点和层级位置；\n- 引入残差记忆链接：低层子节点的段直接链接到高层父节点的段，实现跨步信息流，而不是仅靠顺序记忆更新。\n\n我们给出段数的理论上界，帮助在给定 token 预算下匹配固定长度分段的段数。实验在四种代表性记忆代理上进行，覆盖 JSON、HTML、YAML、JavaScript 四类真实应用数据，长度从 8K 到 1M token。结果显示，TreeAgent 在所有四个数据集上均提升平均得分，整体提升约 3.61%。\n\n点评：TreeAgent 通过结构感知的分段和残差记忆链接，有效缓解了长层次数据处理中的信息碎片化问题，为大模型在实际应用中的记忆扩展提供了可行路径。