超越RAG的智能体记忆：解耦与聚合式检索

智能体记忆系统常采用标准的检索增强生成（RAG）流程，但其底层假设在此场景下并不适用。RAG面向大型异构语料库，而智能体记忆是有限、连贯且高度相关的对话流，常含重复片段。固定top-k相似性检索易返回冗余上下文，事后剪枝可能删除推理所需的时序前提。本文主张检索应超越相似匹配，转而操作潜在语义成分，遵循“解耦—聚合”范式：将记忆解耦为语义单元，组织成层次结构，并以此驱动检索。所提xMemory通过稀疏性—语义目标引导记忆的拆分与合并，构建忠实且可检索的高层节点结构。推理时采用自上而下策略，为多事实查询选择紧凑多样的主题与语义，仅在降低阅读器不确定性时才展开至具体事件或原始消息。在LoCoMo和PerLTQA上的实验表明，该方法在三大最新LLM上均显著提升回答质量与token效率。