ES-Mem: 基于事件分割的长期对话代理记忆机制

记忆对于对话代理在长期交互中保持连贯性和实现持续适应至关重要。尽管现有的记忆机制提供了基本的存储和检索能力，但它们受到两个主要限制：（1）固定的记忆粒度常常破坏语义完整性，导致碎片化和不连贯的记忆单元；（2）普遍的扁平检索范式仅依赖于表面语义相似性，忽视了用于导航和定位特定情景上下文所需的语篇结构线索。为缓解这些限制，受事件分割理论启发，我们提出了ES-Mem，一个包含两个核心组件的框架：（1）动态事件分割模块，将长期交互划分为具有明确边界的语义连贯事件；（2）分层记忆架构，构建多层级记忆，并利用边界语义锚定特定情景记忆以实现精确的情景定位。在两个记忆基准测试中的评估表明，ES-Mem在基线方法上实现了稳定的性能提升。此外，所提出的事件分割模块在对话分割数据集上表现出良好的适用性。