面对长期对话的计算成本与记忆碎片化挑战，Amory框架应运而生。它借鉴人类情景与语义记忆的认知模式，通过主动推理构建连贯的叙事结构，显著提升智能体的响应质量与效率。
智能速览
现有RAG框架将对话碎片化，难以捕捉记忆连贯性。
Amory借鉴人类情景与语义记忆的认知模式。
框架通过离线推理将对话组织为连贯的情景叙事。
采用连贯性驱动推理替代传统嵌入相似度匹配。
在LOCOMO基准测试中，响应时间减少50%。
其响应质量已接近全上下文推理的水平。
精华内容
Amory如何通过模拟人类记忆机制，在效率和效果上实现突破？
记忆困境与灵感
长期对话智能体面临严峻的可扩展性挑战。重复处理全部历史记录成本高昂，而流行的RAG框架虽提升了效率，却将对话割裂为孤立的嵌入碎片，丧失了人类记忆固有的连贯性与微妙关联。
研究团队从认知科学中汲取灵感，将人类记忆划分为情景记忆（叙事性体验）与语义记忆（事实知识）。这种二元结构为构建更具人类水准的智能体记忆系统提供了理论蓝图。
叙事驱动构建
Amory的核心是一种离线的智能体推理过程，它能主动构建结构化记忆。框架不再被动存储信息，而是将对话片段精心组织成连贯的情景叙事，并基于“动量”概念来整合记忆，确保信息流的时间逻辑。
同时，外围的非核心事实会被提炼并语义化，存储为独立的知识点，从而形成情景与语义相结合的记忆结构。
连贯性检索
在信息检索阶段，Amory摒弃了传统的嵌入向量相似度匹配方法。它采用一种新颖的连贯性驱动推理机制，直接在构建好的叙事结构上进行逻辑检索。
这种方式能够更好地理解对话上下文的内在联系，找到与当前查询最相关、逻辑最一致的记忆片段，而不仅仅是关键词上的匹配。
实测表现卓越
在LOCOMO基准测试中，Amory的卓越性能得到验证。其生成响应的质量已非常接近处理完整上下文（Full Context）的昂贵模型，但响应时间却减少了50%，实现了效率与效果的双重突破。
消融实验进一步证实，动量感知的整合机制显著提升了响应质量，而连贯性检索相比嵌入方法，信息覆盖也更全面。
Amory框架为智能体记忆领域带来了新范式，证明了从被动存储到主动构建叙事的价值。它不仅解决了当下的技术瓶颈，也为未来更具同理心和连贯性的智能体指明了方向。这种记忆模式会成为未来AI的标准配置吗？
