adaptive-memory

本文对用于记忆增强LLM智能体的记忆基质进行了全面评估，发现没有单一基质在所有条件下占主导地位，并提倡采用自适应基质路由来优化不同操作条件下的性能。

本文提出了CAMeR，一种用于LLM智能体的记忆留存框架，该框架结合了关键词门控混合激活与自适应权重动态，并推出了CAMeR-Bench，一个用于评估自适应记忆留存的基准测试。实验表明，与仅基于嵌入或时间驱动的基线相比，混合符号-神经门控在留存差距和检索效率方面表现更优。

本文提出了 AdaTKG，一种用于时序知识图谱推理的方法，它利用自适应记忆随着新交互的发生动态优化实体表示，从而在性能上优于静态基线。