面向对话代理 LLM 系统中基于 RAG 记忆的目标导向推理

针对基于 LLM 的对话代理因上下文限制难以维持长程连贯行为的问题，本文提出了 Goal-Mem，一种用于 RAG 代理记忆的目标导向推理框架。现有方法多基于语义相似度检索，缺乏对缺失中间事实的显式推理。Goal-Mem 将用户话语视为目标，执行显式反向链式推理，将目标分解为原子子目标并进行针对性记忆检索。该方法在自然语言逻辑系统中形式化，结合了一阶逻辑的可验证性与自然语言的表达力。实验表明，该框架在多跳推理和隐式推断任务上显著优于现有基线。