CogMem：面向大语言模型持续多轮推理的认知记忆架构

大语言模型（LLMs）在单轮推理中表现优异，但在长时间、多轮交互中常出现准确性与连贯性下降的问题。近期评估基准如TurnBench揭示了反复出现的失败模式，包括推理偏差、任务漂移、幻觉、过度自信和记忆衰减。现有方法通常直接拼接完整对话历史，导致上下文无界增长、计算开销增加及推理效率下降。本文提出CogMem——一种受认知科学启发的记忆增强型LLM架构，通过结构化、持久化的记忆支持持续迭代推理。CogMem包含三层：长期记忆（LTM）用于跨会话推理策略整合；直接访问（DA）记忆维护会话级笔记并检索相关长期记忆；注意力焦点（FoA）机制在每轮动态重构简洁、任务相关的上下文。在TurnBench上的实验表明，该分层设计有效缓解推理失败、控制上下文膨胀，并提升长推理链的一致性，推动LLM实现更可靠、类人的推理能力。