高效的終身記憶用於 LLM 代理 LLM 代理需要記憶來處理長時間的對話。目前的處理方式是，記憶要麼保留完整的互動歷史，導致大量冗餘，要麼依賴迭代推理來過濾噪音，消耗過多的標記。 這項新研究介紹了 SimpleMem，一個基於語義無損壓縮的高效記憶框架，最大化信息密度，同時最小化標記消耗。 該框架通過三個階段的管道運作。 1) 首先，語義結構壓縮應用基於熵的過濾，將原始對話提煉成緊湊的記憶單元，解決共指問題並將相對時間表達（如「上週五」）轉換為絕對時間戳。 2) 其次，遞歸記憶整合逐步將相關記憶整合為更高層次的抽象，將重複的條目（如「早上 8 點點了一杯拿鐵」）轉變為模式（如「早上定期喝咖啡。」） 3) 第三，自適應查詢感知檢索根據查詢的複雜性動態調整檢索範圍。 結果：在 LoCoMo 基準測試中，使用 GPT-4.1-mini，SimpleMem 達到 43.24 F1，超越最強基準 Mem0（34.20）26.4%，同時將每次查詢的標記消耗減少到僅 531 個，相較於全上下文方法的 16,910，減少了 30 倍。 他們聲稱記憶構建比 Mem0 快 14 倍（每個樣本 92.6 秒對 1350.9 秒），比 A-Mem 快 50 倍。即使是 3B 參數模型使用 SimpleMem 也超越了使用劣質記憶策略的更大模型。 這項工作顯示，結構化的語義壓縮和自適應檢索使 LLM 代理能夠保持可靠的長期記憶，而不會淹沒在標記中或犧牲準確性。