AtomMem: Building Simple and Effective Memory System for LLM Agents via Atomic Facts

论文解决了什么问题

大语言模型在长周期、多会话交互中受固定上下文窗口限制，容易遗忘用户偏好、重复已解决问题或与既有事实矛盾。现有记忆增强系统在存储原始对话时引入大量噪声，而压缩表示又会丢失细粒度信息；依赖频繁 LLM 重写的动态更新则容易产生幻觉并破坏原始事实。如何在高信息密度与上下文保真之间取得平衡，并设计稳定可控的记忆更新机制，是长期记忆系统面临的核心问题。

核心方法

AtomMem 以原子事实为核心构建长期记忆。Fact Executor 通过 SFT 微调从原始对话中抽取自包含的原子事实，并附加参与者、关键词、时间戳等结构化元数据。系统将事实聚合为事件记忆以保留情节连贯性，同时通过时间画像增量追踪用户稳定属性与偏好变化。检索阶段，AtomMem 构建包含实体、事件和时间三类边的记忆图，结合层级混合检索与 Random Walk with Restart 进行关联召回，最终将情节事实与用户画像拼接生成回答。

实验结论

• 在 LoCoMo 基准上，AtomMem 多跳和时序任务的 LLM-as-a-Judge 分数分别比 LightMem 提升 5.5% 和 31.1%，总 token 消耗较 Mem0 降低约 61.4%。
• 简化版 AtomMem-Flat 仅使用原子事实检索，多跳 F1 从 20.97 提升至 37.03（相对提升 76.6%），且 token 消耗为所有方法中最低（722k）。

适合谁阅读