#长期记忆 · 小土刀 4.0

2026-01-14

【论文笔记】019 Enabling Personalized Long-term Interactions in LLM-based Agents through Persistent Memory and User Profiles

通过将六种代理型AI模式（如多代理协作、持久性记忆等）与动态演进的用户画像相结合，提出了一个能同时满足适应性、一致性和定制化需求的框架，显著提升了大语言模型代理在长期交互中的个性化水平。

2026-01-14

这篇论文的核心贡献是提出了一种生成智能体（Generative Agents）架构，该架构通过将大语言模型与长期记忆、反思和规划机制相结合，使计算智能体能够在大规模交互环境中展现出可信的、具有长期连贯性的人类行为模拟。

2026-01-14

这篇论文的核心贡献是提出了一种名为 A-Mem 的新型大语言模型（LLM）智能体内存系统，它通过借鉴"卢曼卡片盒"（Zettelkasten）方法，实现了内存结构的自主构建、动态链接和持续进化，从而显著提升了智能体在复杂长期交互中的推理能力。

2026-01-14

该论文的核心贡献在于提出了主动记忆提取框架（ProMem），它借鉴认知神经科学中的复发处理理论（RPT），通过引入自我提问的循环反馈机制，将大模型（LLM）对对话历史的记忆处理从"被动、一次性"的总结提升为"主动、迭代"的认知过程，从而显著增强了记忆的完整性与准确性。

2026-01-14

这篇论文的核心贡献是提出了 HippoRAG，这是一个受神经生物学启发的检索框架，通过将大语言模型（LLMs）与知识图谱以及个性化 PageRank 算法协同，模拟人类海马体的记忆索引功能，从而实现了比现有方法更高效、更深入的跨文档知识集成与推理能力。

2026-01-14

这篇论文的核心贡献是提出了 LongMemEval，这是一个专门用于全面评估聊天助手在长期、持续交互中五项核心记忆能力（信息提取、多会话推理、知识更新、时间推理和拒答）的基准测试，并揭示了当前最先进的模型在处理此类任务时存在显著的性能缺陷。

2026-01-14

本研究引入了 M3-Agent 框架，其核心贡献是构建了一个具备长期记忆的多模态智能体，它能通过以实体为中心的多模态记忆图谱持续积累情节和语义知识，并在长视频问答任务中显著超越了目前最强的商业大模型组合。

2026-01-14

这篇论文推出了 Mem0，一种专为 AI 智能体设计的可扩展长期记忆架构，通过动态提取对话精华并利用图谱化表示（Mem0g），实现了在多轮会话中维持高度的一致性，同时比传统全上下文方法降低了 91% 的延迟和 90% 以上的成本。