DimMem：面向高效长期智能体记忆的维度结构化

arXiv cs.CL 论文
dimensional-memory long-term-memory llm-agents memory-extraction fine-tuning lightweight-memory efficiency

摘要

DimMem 提出了一种用于 LLM 智能体的维度记忆框架，将记忆表示为具有显式字段的原子化、类型化单元，在 LoCoMo-10 和 LongMemEval-S 上实现了最先进的准确率，同时将 token 成本降低了 24%。

arXiv:2605.15759v1 公告类型：新 摘要：大型语言模型（LLM）智能体需要长期记忆来利用过去交互中的信息。然而，现有记忆系统常面临保真度与效率之间的权衡：原始对话历史成本高昂，而扁平化的事实或摘要可能丢弃精确回忆所需的结构。我们提出 \textbf{DimMem}，一种轻量级维度记忆框架，将每条记忆表示为一个原子化、类型化且自包含的单元，具有显式字段，如时间、地点、原因、目的和关键词。这种表示暴露了维度感知检索、记忆更新和选择性助手上下文回忆所需的结构，而无需在模型上下文中存储完整历史。在 LoCoMo-10 和 LongMemEval-S 上，DimMem 分别达到 \textbf{81.43\%} 和 \textbf{78.20\%} 的整体准确率，优于现有轻量级记忆系统，同时将 LoCoMo 每次查询的 token 成本降低 \textbf{24\%}。我们进一步表明，维度记忆提取可通过紧凑模型学习：在 DimMem 模式上微调后，Qwen3-4B 提取器在两个基准测试上均超越使用 GPT-4.1-mini 的 LightMem，并在关键设置中达到与更大提取器相当或更好的性能。这些结果表明，显式维度结构化是 LLM 智能体长期记忆有效且高效的基础。代码可在 https://github.com/ChowRunFa/DimMem 获取。
查看原文
查看缓存全文

缓存时间: 2026/05/18 06:34 

# DimMem：面向高效长期智能体记忆的维度结构化
来源: https://arxiv.org/abs/2605.15759
查看PDF (https://arxiv.org/pdf/2605.15759)

> **摘要：** 大型语言模型（LLM）智能体需要长期记忆来利用过去交互中的信息。然而，现有的记忆系统常常面临保真度与效率之间的权衡：原始对话历史成本高昂，而扁平化的事实或摘要可能丢弃精确回忆所需的结构。我们提出 **DimMem**，一种轻量级维度记忆框架，将每条记忆表示为一个原子化、类型化且自包含的单元，包含时间、地点、原因、目的和关键词等显式字段。这种表示方式暴露了维度感知检索、记忆更新和选择性助手上下文召回所需的结构，而无需在模型上下文中存储完整的历史记录。在 LoCoMo-10 和 LongMemEval-S 上，DimMem 分别取得了 **81.43%** 和 **78.20%** 的总体准确率，优于现有的轻量级记忆系统，同时将 LoCoMo 每次查询的令牌成本降低了 **24%**。我们进一步证明，维度记忆抽取对于紧凑模型是可学的：在 DimMem 模式上微调后，Qwen3-4B 抽取器在两个基准测试上均超越了使用 GPT-4.1-mini 的 LightMem，并在关键场景中达到了与更大抽取器相当或更优的性能。这些结果表明，显式维度结构化是 LLM 智能体长期记忆有效且高效的基础。代码可在以下网址获取：https://github.com/ChowRunFa/DimMem

## 提交历史

来自：邱乐涛 [view email (https://arxiv.org/show-email/1092977b/2605.15759)] **[v1]** 2026年5月15日 星期五 09:20:31 UTC (1,172 KB)

相似文章