当前Agent Memory框架直接套用RAG，易致冗余检索和精度下降。一种解耦记忆为语义组件并自上而下检索的新范式，能显著提升答案准确性并节省Token消耗。
智能速览
传统RAG用于Agent Memory会因检索冗余证据链而失效。
核心问题在于相似度top-k机制在高度相关对话中容易塌缩。
新范式将记忆从“块索引”解耦为“语义组件索引”。
自上而下逐级取证，优先高层骨架再按需补充细节。
该方法在多个基准测试中实现了更高精度和更低Token消耗。
精华内容
为何RAG范式在Agent Memory上水土不服？关键在于检索逻辑的错配，而非模型本身。
范式错位
许多Agent Memory框架沿用标准RAG流程：分块、向量化、相似度top-k检索。但RAG为异构文档设计，而Agent Memory是连贯对话，候选内容高度相关且存在大量近重复。这导致固定top-k检索易塌缩到同一密集相似区，取回大量冗余信息，而非真正需要的答案证据。
冗余之困
为解决冗余，常引入剪枝或压缩等后处理，但这会带来新风险。对话证据链常包含指代、省略和时间依赖，是跨轮次的完整链条。后处理剪枝极易误删前置条件，导致证据链断裂，模型最终给出错误答案。矛盾并非“找不到相关”，而是“检索到冗余”和“剪枝可能出错”。
解耦聚合
解决思路是从源头改变检索目标，从原始片段匹配升级到组件级证据选择。核心范式是先“解耦”后“聚合”。将记忆从传统的“块索引”重构为“语义组件索引”，每个组件包含语义点和完整证据链。然后用高层结构反向驱动检索，从结构层面规避冗余。
效果验证
该方案在LoCoMo和PerLTQA等基准数据集上，使用多种开源和闭源LLM进行了验证。结果显示，新方法不仅让模型回答更稳定、准确，还显著节省了Token消耗。关键在于，它并非“检索完再剪”，而是从根本上改变了索引与检索的方式，从源头避免了问题。
该研究为Agent Memory的构建提供了全新视角，跳出RAG框架的束缚。未来，这种结构化记忆管理或将成为提升智能体长期交互能力的关键方向。
