MOSAIC：為 LLM 代理打造準確高效的長期記憶系統

研究團隊提出 MOSAIC（Memory-Organized Structured Agent for Information Collection）框架，旨在解決現有 LLM 代理長期記憶系統的兩大限制：平面化非結構化存儲會遺失多跳推理與時間推理所需的關係語境，而依賴昂貴的 LLM 分類機制則導致延遲過高，難以應用於對延遲敏感的部署場景。此外，缺乏驗證新資訊與既有知識機制會導致系統靜默積累矛盾。

MOSAIC 透過三種關鍵能力提升準確性與效率。第一，採用實體類型圖存儲與語義分類，在事件、人設與關係間保留結構，支援對對話歷史的多跳與時間推理。第二，以局部敏感哈希（locality-sensitive hashing）取代 LLM 分類，實現雙路檢索，將平均搜尋延遲降至每題 0.58 秒，且準確性損失可忽略不計。第三，在儲存時主動檢測衝突，交叉比對新資訊與既有圖節點，觸發對矛盾條目的更新或刪除。

在 LoCoMo、HaluMem 及一項新的臨床指南錯誤積累測試中，MOSAIC 表現優異。其 LoCoMo 準確率達 89.35%，較最佳基線高出 27.21 個百分點；HaluMem-Medium 與 HaluMem-Long 的提取 F1 分別為 86.77% 與 85.84%；Medium 與 Long 的 QA 正確性分別為 73.10% 與 70.75%。在衝突檢測方面，MOSAIC 能檢測 66% 的注入事實衝突，是最佳基線（14%）的 4.7 倍。