Mem++: Non-Destructive Memory for Long-Term Organizational LLM Agents

مسئله

ایجنت‌ها حالا در کار سازمانی شرکت می‌کنند، جایی که نویسنده‌های زیادی طی ماه‌ها تصمیم‌ها را در اسناد ثبت می‌کنند. چون تصمیم بازنگری‌شده به شکل سند جدید می‌آید نه ویرایش، پاسخ به یک پرسش نیاز به دانستن این دارد که کدام نسخه در یک زمان معتبر بوده. اما بیشتر سیستم‌های حافظه سابقه را هنگام نوشتن فشرده می‌کنند و با تقطیر هر سند به واقعیت، یادداشت یا یال گراف، پیش از پرسیده شدن هر سؤالی تعیین می‌کنند چه چیزی قابل پاسخ است.

روش

چارچوب Mem++ از تقطیر هنگام نوشتن به انتخاب هنگام خواندن می‌رود: هر سند را کامل با تاریخ و نویسنده ذخیره می‌کند و هنگام نوشتن هیچ مدل مولدی را فرا نمی‌خواند. هنگام خواندن فقط اسنادی را که تاریخشان تا زمان مورد پرسش است بازیابی می‌کند و رتبه‌بندی واژگانی و معنایی را ترکیب می‌کند، و به جای بازنویسی نسخه‌های قدیمی، آن‌ها را نگه می‌دارد و انتخاب را به مدل پاسخ‌دهنده می‌سپارد.

یافته‌ها

• روی بنچمارک سازمانی OrgMemBench با دو مدل پاسخ‌دهنده ۸٫۰ تا ۱۳٫۱ امتیاز از قوی‌ترین سیستم حافظه‌ی پایه بهتر بود.
• با gpt-4.1-mini بهترین امتیاز کلی را گرفت، ۲٫۶ امتیاز بالاتر از تولید تقویت‌شده با بازیابی.
• روی LoCoMo بهترین میانگین امتیاز داور زبانی را گرفت و روی LongMemEval-S دوم شد، فقط پشت نسخه‌ی گراف موجودیت خودش.

محدودیت‌ها

مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ نگه داشتن همه‌ی نسخه‌ها به معنای سپردن انتخاب نسخه‌ی درست به مدل پاسخ‌دهنده است.