MemWeaver：编织混合记忆以实现可追溯的长期代理推理

基于大型语言模型的代理在长期交互中需要支持时间一致性、多跳推理和跨会话证据重用的记忆系统。现有方法主要依赖非结构化检索或粗略抽象，常导致时间冲突、脆弱推理和有限的可追溯性。本文提出MemWeaver，一种统一的记忆框架，将长期代理经验整合为三个相互关联的组件：一个基于时间的图记忆用于结构化关系推理，一个经验记忆用于从重复观察中抽象出重复的交互模式，以及一个保留原始文本证据的段落记忆。MemWeaver采用双通道检索策略，联合检索结构化知识和支持证据，构建紧凑而信息密集的推理上下文。在LoCoMo基准上的实验表明，MemWeaver显著提高了多跳和时间推理的准确性，同时相比长上下文基线减少了超过95%的输入上下文长度。