مقاله‌ی arXiv:2610.00872 · منتشرشده در کانال
MemFit: Efficient Long-Term Agentic Memory
مم‌فیت: حافظه‌ی بلندمدت کارآمد برای ایجنت‌های گفت‌وگو بدون فراخوانی مدل هنگام نوشتن
- تاریخ
- (۹ مهر ۱۴۰۵) 2026-10-01 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Mitchell Piehl, Muchao Ye
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
سیستم‌های حافظه‌ی بلندمدت برای مدل‌های زبانی محبوب شده‌اند، اما برای سازمان‌دهی و یکپارچه‌سازی حافظه به ایجنت‌های زبانی تکیه دارند که عملیات نوشتن را پرهزینه و ناکارآمد می‌کند. سیستم‌های دیگر هم با فشرده‌سازی جزئیات سطحی را دور می‌ریزند.
روش
سیستم MemFit هر نوبت را عیناً در یک مخزن فقط‌افزودنی با درج تقریباً آنی و بدون مدل زبانی ذخیره می‌کند و نوبت‌ها را با خلاصه‌های بخش نمایه‌گذاری می‌کند به جای جایگزینی‌شان. بازیابی هم بدون مدل زبانی و چندمسیره است: سیگنال‌های واژگانی و معنایی را با بازرتبه‌بندی رمزگذار متقاطع روی اپیزودهای دارای زیرنویس، در حالت متنی و چندرسانه‌ای، ترکیب می‌کند.
یافته‌ها
- روی LoCoMo، MemGallery و LongMemEval-S به کارایی پیشرفته‌ترین روش‌ها رسید.
- زمان و هزینه‌ی ساخت حافظه را چند برابر کم کرد.
محدودیت‌ها
متن کامل HTML مقاله در دسترس نیست و این خلاصه فقط بر چکیده تکیه دارد؛ چکیده عدد دقیق کاهش هزینه، محدودیت‌ها و وابستگی سازمانی نویسنده‌ها را نمی‌گوید.
چرا مهم است
هزینه‌ی نوشتن حافظه در سیستم‌هایی که هر نوبت را با مدل زبانی پردازش می‌کنند سریع بالا می‌رود. این کار نشان می‌دهد ذخیره‌ی عینی و بازیابی هوشمند می‌تواند همان کیفیت را بسیار ارزان‌تر بدهد.