Mnemis：基于分层图的双路径检索用于LLM的长期记忆

AI记忆，特别是模型如何组织和检索历史信息，对大型语言模型（LLMs）日益重要。然而，现有方法（如RAG和Graph-RAG）主要依赖相似性检索机制，难以应对需要全局推理或全面覆盖相关信息的场景。本文提出Mnemis，一种新型的记忆框架，结合了System-1相似性搜索与互补的System-2机制——全局选择。Mnemis将记忆组织为一个基础图用于相似性检索，并构建一个分层图以实现语义层次的自上而下遍历。通过结合两种检索路径的优势，Mnemis能够检索出在语义和结构上均相关的信息项。实验表明，Mnemis在长期记忆基准测试中表现优异，在LoCoMo和LongMemEval-S数据集上分别达到93.9和91.6的得分（使用GPT-4.1-mini）。