Membox：将话题连续性融入大语言模型智能体的长程记忆

人机对话常表现出话题连续性——即在时间相邻的交互中演化的稳定主题框架，但现有大语言模型（LLM）智能体记忆系统难以保留这一特性。当前方法多采用“碎片化-补偿”范式：先将对话流拆分为孤立语句存储，再通过嵌入检索恢复连贯性，此过程不可逆地破坏叙事与因果流，并偏向词汇相似性。本文提出Membox，一种以“话题织机”（Topic Loom）为核心的分层记忆架构，通过滑动窗口持续监测对话，将连续同主题轮次在存储时聚合成连贯的“记忆盒”；随后由“轨迹编织器”（Trace Weaver）将封存的记忆盒链接为长程事件时间线，恢复跨间断的宏观话题重现。在LoCoMo数据集上的实验表明，Membox在时序推理任务中F1最高提升68%，优于Mem0、A-MEM等基线，且仅使用现有方法一小部分上下文token，显著兼顾效率与效果。