SimpleMem：面向大语言模型智能体的高效终身记忆系统

为支持大语言模型（LLM）智能体在复杂环境中进行可靠的长期交互，需构建能高效管理历史经验的记忆系统。现有方法或通过被动扩展上下文保留完整交互历史，导致严重冗余；或依赖迭代推理过滤噪声，带来高昂的token开销。为此，本文提出SimpleMem——一种基于语义无损压缩的高效记忆框架，包含三个阶段：(1) 语义结构化压缩，利用熵感知过滤将非结构化交互提炼为紧凑、多视角索引的记忆单元；(2) 递归记忆整合，异步地将相关单元融合为更高层抽象表示以减少冗余；(3) 自适应查询感知检索，根据查询复杂度动态调整检索范围，高效构建精准上下文。实验表明，该方法在准确率、检索效率和推理成本方面均显著优于基线，F1平均提升26.4%，推理token消耗最多降低30倍。