Resumen: Un agente impulsado por modelos de idiomas grandes ha logrado resultados impresionantes, pero manejar efectivamente las grandes cantidades de datos históricos generados durante las interacciones sigue siendo un desafío. El enfoque actual es diseñar un módulo de memoria para que el agente procese estos datos. Sin embargo, los métodos existentes, como MemoryBank y A-MEM, tienen una mala calidad del contenido de memoria almacenada, lo que afecta el rendimiento del recuerdo y la calidad de la respuesta. Para construir mejor contenido de memoria a largo plazo de alta calidad, hemos diseñado un sistema de memoria múltiple (MMS) inspirado en la teoría de la psicología cognitiva. El sistema procesa la memoria a corto plazo a múltiples fragmentos de memoria a largo plazo y construye unidades de memoria de recuperación y unidades de memoria contextual basadas en estos fragmentos, con una correspondencia uno a uno entre los dos. Durante la fase de recuperación, MMS coincidirá con las unidades de memoria de recuperación más relevantes basadas en la consulta del usuario. Luego, las unidades de memoria contextuales correspondientes se obtienen como el contexto para la etapa de respuesta para mejorar el conocimiento, utilizando así efectivamente datos históricos. Los experimentos en el conjunto de datos Locomo compararon nuestro método con otros tres, lo que demuestra su efectividad. Los estudios de ablación confirmaron la racionalidad de nuestras unidades de memoria. También analizamos la solidez con respecto al número de segmentos de memoria seleccionados y la sobrecarga de almacenamiento, lo que demuestra su valor práctico.
Publicado Originalme en export.arxiv.org El 21 de agosto de 2025.
Ver Fuente Original
