记忆类型各异：通过多样化策略赋能 LLM 智能体实现长期记忆

近年来，大语言模型（LLM）的记忆能力日益受到关注。尽管现有方法已取得巨大成功，但基于检索的记忆方法通常忽视不同记忆之间的差异，采用统一策略处理所有记忆，从而导致性能欠佳。因此，一个直观的问题随之产生：能否将记忆划分为不同类型，并选择适当的策略？然而，鉴于记忆场景具有主题丰富、情境复杂和边界模糊等特点，要实现记忆的精准分类并不容易。为应对这一挑战，本文提出了一个记忆多分类数据集 TriMEM，为多样化场景中的记忆类型提供精准标注。在此基础上，我们提出了一种新颖的记忆框架 MemoType，该框架借助训练得到的路由模型，自适应地识别每条记忆和查询的类型。通过对记忆和查询进行路由，MemoType 能够检索与查询类型相匹配的记忆，并设计针对性的检索策略，从而提升检索性能。此外，我们从理论上证明，在多类别语料库中，任何单一检索策略的期望检索精度都存在一个基本上限，进而导致系统性的精度下降。在三个数据集上的大量实验表明，MemoType 始终优于现有方法，Recall@1 最高提升 16.18%。