AutoViewMem：LLM 代理的自適應長期記憶系統

LLM 代理記憶框架新方案：AutoViewMem 的語義視圖策略

由曹子傑、瞿希駿、顧志成等十位研究者組成的團隊近日在 arXiv 提出 AutoViewMem，這是一套針對大語言模型代理的長期對話記憶系統，用來解決現有記憶架構在處理複雜資訊時的結構性缺陷。

現有記憶系統的問題

傳統的 LLM 代理記憶系統通常採用固定粒度或靜態結構。當偏好、事件、約束與時間更新等異質性資訊混合存放在單一表示裡，這種設計容易產生語義干擾。干擾一多，檢索時的 top-K 相似度搜尋就對雜訊變得敏感，相關證據的排名反而會被拉低。

AutoViewMem 的核心設計

AutoViewMem 採取「先表示，後檢索」的做法。系統在索引前，會把長期對話記憶組織成自動配置、低重疊的語義視圖。整個流程分成三個環節：

首先，系統從交互軌跡中找出候選視圖；接著選出一組緊湊且互補的視圖集合；最後利用這些視圖在寫入階段進行結構化萃取，確保記憶有來源依據可查。

這種設計把語義解糾（semantic disentanglement）從檢索階段提前到寫入階段，讓標準的 top-K 相似度搜尋就能找到聚焦的證據，不需要額外依賴顯式路由或迭代檢索。

進一步優化

系統另外用了離線鞏固（offline consolidation）技術，讓記憶更緊湊、更一致。

實驗評估

研究團隊在 LoCoMo 和 PersonaMem 兩個基準上做評估，分別以 Qwen3-8B 和 Qwen3-14B 作為基礎模型。結果顯示，AutoViewMem 在長範圍問答與個性化任務上，相比現有記憶基線有所改進，同時推理流程仍維持簡潔。

該論文於 2026 年 9 月 18 日提交至 arXiv，歸類於人工智慧領域。