清华:Agent记忆框架AdaMem
随着大模型代理在复杂交互场景中的应用深入,如何让Agent在长程对话中保持精准推理成为关键挑战。现有系统常面临过度依赖语义相似、缺乏时空连贯性以及记忆粒度静态化等问题,难以处理跨越多个轮次的复杂逻辑。清华大学联合腾讯微信视觉团队提出AdaMem框架,通过构建四层互补记忆结构及多智能体协作检索机制,旨在解决长程对话中的信息遗忘与逻辑断裂难题。
01四层异构记忆体系
| 记忆类型 | 存储内容 | 核心功能 |
|---|---|---|
| 工作记忆 | 近期上下文信息 | 维持当前对话的连续性,暂存即时交互数据 |
| 情景记忆 | 结构化的长期经历 | 存储历史对话的关键事件,支持回溯 |
| 人设记忆 | 稳定的用户特征 | 固化用户偏好与习惯,实现个性化交互 |
| 图记忆 | 关系感知连接 | 构建实体间的逻辑关系,支持因果推理 |
AdaMem框架的四层存储结构对比
该框架摒弃了传统的单一语义检索模式,采用基于参与者的记忆组织方式。系统将对话历史按用户和助手分离存储,确保在多方对话场景下能够精准定位目标对象。这种设计有效解决了多角色交互中的信息混淆问题,为后续的精准提取奠定了数据基础。
02多智能体协作机制
智能体角色分工
记忆代理
负责后台数据的标准化处理
- 执行记忆的标准化写入操作
- 实时更新记忆库中的信息状态
- 确保存储数据的结构化与一致性
研究代理
负责深度信息的挖掘与分析
- 执行迭代式证据搜集
- 进行逻辑反思与验证
- 解析问题条件并规划检索路径
工作代理
负责最终输出的合成与呈现
- 综合证据链生成回答
- 专注于最终回复的文本构建
- 屏蔽底层检索的计算细节
在检索策略上,AdaMem实施了问题条件的检索规划机制。系统首先解析目标参与者,随后根据问题类型动态判断是否启用关系感知的图扩展检索。这种按需检索的策略在保证推理精度的同时,有效避免了全量图检索带来的不必要计算开销。实验数据显示,这种动态规划机制显著提升了系统的响应效率与推理准确性。
03实验效果与性能评估
在LoCoMo和PERSONAMEM这两个长程推理基准测试中,AdaMem均达到了最先进水平,特别是在时序推理任务上,相比基线方法表现出显著优势。消融实验进一步证实,图记忆组件在整个框架中贡献最大,移除后性能出现明显下降。这一结果有力证明了关系感知连接对于恢复跨轮次依赖和重建因果链条的重要性。此外,多智能体分工机制成功隔离了记忆维护与推理生成的相互干扰,使得证据合成过程更加精准,且在不同规模模型上均展现出良好的泛化能力。
当前文章无评论,是时候发表评论了