Amory：通过智能体推理构建连贯叙事驱动的智能体记忆

长期对话代理面临一个根本的可扩展性挑战：随着交互时间的延长，重复处理整个对话历史变得计算上不可行。当前方法主要通过将对话片段分解为孤立的嵌入或图表示，并以RAG风格检索相关部分来解决这一问题。尽管这些方法在计算效率上较高，但通常对记忆形成处理较为简单，难以捕捉人类记忆的细微和连贯性。本文提出Amory，一种工作记忆框架，通过增强离线时间的智能体推理主动构建结构化记忆表示。Amory将对话片段组织成情节叙事，利用动量进行记忆巩固，并将外围事实语义化为语义记忆。在检索时，系统采用基于连贯性的叙事结构推理。在LOCOMO长期推理基准测试中，Amory相比之前最先进的方法有显著提升，性能与完整上下文推理相当，同时将响应时间减少了50%。分析表明，动量感知的记忆巩固显著提升了响应质量，而连贯性驱动的检索相比基于嵌入的方法提供了更优的记忆覆盖。