超越静态摘要：面向大语言模型智能体的主动记忆提取

记忆管理对大语言模型（LLM）智能体实现长期交互与个性化至关重要。现有研究多关注记忆摘要的组织与使用，却忽视了初始记忆提取阶段。本文基于递归加工理论指出，当前基于摘要的方法存在两大局限：一是摘要为“提前进行”的盲目前馈过程，因无法预知未来任务而遗漏关键细节；二是提取通常为“一次性”操作，缺乏事实验证的反馈机制，导致信息损失累积。为此，我们提出主动记忆提取方法（ProMem），将提取视为迭代认知过程，通过自问自答机制构建递归反馈回路，主动探查对话历史以恢复缺失信息并修正错误。实验表明，ProMem显著提升了记忆提取的完整性与问答准确率，并在提取质量与token开销之间实现了更优权衡。