AutoViewMem：面向对话长期记忆的自配置正交视图

长期记忆对于大型语言模型（LLM）智能体在长期交互中保持一致性和个性化至关重要。现有记忆系统通常依赖固定粒度或静态模式，但当偏好、事件、约束和时间更新等异构信息被嵌入单一的混合表示时，这些设计往往难以应对。由此产生的语义干扰使 top-K 检索容易受到噪声影响，也常常导致相关证据排名靠后。我们提出 AutoViewMem，一种数据驱动的框架，在建立索引之前，将对话长期记忆组织为可自配置、低重叠的语义视图。AutoViewMem 从交互轨迹中发现候选视图，选择紧凑且互补的视图集合，并利用这些视图指导写入时对具有来源依据的记忆进行结构化提取。这种表示优先的设计将语义解耦从检索时转移到写入时，使标准的 top-K 相似度搜索能够检索出聚焦的证据，而无需显式路由或迭代检索。我们进一步采用离线整合，以提升记忆的紧凑性和一致性。在 Qwen3-8B 和 Qwen3-14B 两种骨干模型下，于 LoCoMo 和 PersonaMem 基准上的实验表明，与性能强劲的记忆基线相比，AutoViewMem 在保持简单推理流程的同时，能够改善长程问答和个性化效果。