Hippocampus：一种高效且可扩展的智能体记忆模块

智能体AI需要持久记忆来存储超出LLM上下文窗口的用户特定历史。现有记忆系统使用密集向量数据库或知识图谱遍历（或混合），导致检索延迟高且存储扩展性差。本文提出Hippocampus，一种基于紧凑二进制签名进行语义搜索、利用无损token-ID流进行精确内容重建的智能体记忆管理系统。其核心是动态小波矩阵（DWM），用于压缩并联合索引两种流，从而在压缩域内实现超快速搜索，避免了代价高昂的密集向量或图计算。该设计随内存规模线性扩展，适用于长期智能体部署。实验表明，Hippocampus将端到端检索延迟降低至原来的1/31，并减少每个查询的token占用量达14倍，同时在LoCoMo和LongMemEval基准测试中保持准确性。