论文页面 - MemForest：一种基于分层时间索引的高效智能体记忆系统

来源：https://huggingface.co/papers/2605.23986

摘要

MemForest 提出了一种适用于长上下文 LLM 智能体的记忆框架，通过并行分块提取和分层时间索引，提升了可扩展性并降低了延迟。

记忆是支持长上下文 LLM 智能体（https://huggingface.co/papers?q=long-context%20LLM%20agents）的基础组件，通过持续的“服务-更新”生命周期维护跨交互的持久状态。尽管已有大量前期工作，现有系统仍因两个关键限制而面临显著的维护开销：粗粒度的状态管理以及固有顺序的更新流水线。具体而言，更新操作往往与 LLM 推理紧密耦合，并需要进行全状态重写（https://huggingface.co/papers?q=full-state%20rewrites），导致随着记忆积累，可扩展性变差、延迟不断增加。为应对这些挑战，我们提出了 MemForest，一种记忆框架（https://huggingface.co/papers?q=memory%20framework），它将智能体记忆重新定义为一种写高效的时间数据管理（https://huggingface.co/papers?q=temporal%20data%20management）问题。MemForest 通过并行分块提取（https://huggingface.co/papers?q=parallel%20chunk%20extraction）打破了顺序瓶颈，将记忆构建解耦为并发、独立的操作。为了进一步消除粗粒度的维护，我们引入了 MemTree（https://huggingface.co/papers?q=MemTree），一种分层时间索引（https://huggingface.co/papers?q=hierarchical%20temporal%20index），它将记忆组织为时间有序的树结构，而非扁平的全局摘要。该设计用局部化的逐节点更新（https://huggingface.co/papers?q=localized%20per-node%20updates）取代全状态重写（https://huggingface.co/papers?q=full-state%20rewrites），将维护开销限制在受影响的树路径上，同时自然地保留了随时间演化的状态。我们在两个长上下文记忆基准 LongMemEval-S 和 LoCoMo 上评估了 MemForest。在 LongMemEval-S 上，MemForest 在有状态基线中取得了最佳整体性能，达到了 79.8% 的 pass@1 准确率，同时记忆构建吞吐量比包括 EverMemOS 在内的最先进方法高出约 6 倍。

查看 arXiv 页面（https://arxiv.org/abs/2605.23986） 查看 PDF（https://arxiv.org/pdf/2605.23986） 添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.23986）

在你的智能体中获取此论文：

hf papers read 2605\.23986

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

无模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.23986 来从此页面链接。

引用此论文的数据集0

无数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.23986 来从此页面链接。

引用此论文的 Space0

无 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.23986 来从此页面链接。

包含此论文的收藏集0

无收藏集包含此论文

请将此论文添加到一个收藏集（https://huggingface.co/new-collection）来从此页面链接。