TraceMem: 从用户对话轨迹中编织叙事记忆模式

维持长期交互仍是大型语言模型（LLMs）的瓶颈，因为其有限的上下文窗口难以管理随时间扩展的对话历史。现有记忆系统通常将交互视为离散片段，未能捕捉对话流的潜在叙事一致性。本文提出TraceMem，一种受认知启发的框架，通过三阶段流程从用户对话轨迹中编织结构化的叙事记忆模式：(1) 短期记忆处理，采用演绎式主题分割方法划分情节边界并提取语义表示；(2) 突触记忆巩固，将情节总结为情景记忆，并与语义结合生成用户特定轨迹；(3) 系统记忆巩固，利用两阶段分层聚类将这些轨迹组织成统一主题下的连贯、随时间演变的叙事线索。这些线索被封装为结构化用户记忆卡片，形成叙事记忆模式。为提升记忆利用率，提供了一种智能搜索机制以增强推理过程。在LoCoMo基准上的评估表明，TraceMem在脑启发架构下达到最先进的性能。分析显示，通过构建连贯叙事，其在多跳和时序推理任务上超越基线，凸显其在深度叙事理解中的关键作用。