选择如何记忆：面向LLM代理的自适应记忆结构

记忆对于基于大语言模型（LLM）的代理在长期交互中保持行为一致性至关重要。然而，现有的代理记忆系统存在两个关键缺陷：它们依赖单一的记忆结构，并未将记忆结构的选择建模为上下文自适应的决策，这限制了其处理异构交互模式的能力并导致性能不佳。本文提出了一种统一的框架FluxMem，使LLM代理能够实现自适应记忆组织。该框架为代理配备了多种互补的记忆结构，并根据交互级特征显式学习在这些结构之间进行选择，使用来自下游响应质量和记忆利用情况的离线监督。为了支持稳健的长期记忆演化，我们进一步引入了一个三级记忆层次结构以及基于Beta混合模型的概率门控机制，用于分布感知的记忆融合，以替代脆弱的相似性阈值。在两个长期基准测试PERSONAMEM和LoCoMo上的实验表明，我们的方法平均分别提升了9.18%和6.14%。