ActMem：弥合大语言模型智能体中记忆检索与推理之间的鸿沟

有效的记忆管理对处理长期交互的大语言模型智能体至关重要。现有框架常将智能体视为被动记录者，缺乏深层理解，难以应对冲突检测等复杂场景。为此，本文提出 ActMem，一种将记忆检索与主动因果推理相结合的可操作记忆框架。该框架将非结构化对话转化为结构化因果语义图，利用反事实推理和常识补全推导隐式约束并解决状态冲突。此外，本文引入 ActMemEval 数据集以评估逻辑驱动场景下的推理能力。实验表明，ActMem 在复杂记忆依赖任务上显著优于现有基线。