AtomMem: Building Simple and Effective Memory System for LLM Agents via Atomic Facts
作者: Yanyu Yao, Shangze Li, Zhi Zheng, Hui Zheng, Qi Liu, Tong Xu, Enhong Chen
分类: cs.CL
发布日期: 2026-06-18
备注: 19 pages, 10 figures, 5 tables
💡 一句话要点
提出AtomMem以解决LLM代理的长期记忆问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 长期记忆 大型语言模型 记忆增强 推理任务 个性化代理
📋 核心要点
- 现有的记忆增强系统在构建长期记忆时存在粗糙和不稳定的问题，影响了信息的有效利用。
- AtomMem通过引入事实执行器，提取高价值的原子事实，并将其组织成层次结构，提升了记忆的稳定性和效率。
- 在LoCoMo基准测试中，AtomMem在多项推理任务上表现出色，达到了最先进的性能，显示出其可扩展性和经济性。
📝 摘要（中文）
大型语言模型（LLMs）展现出强大的推理和生成能力，但其固定的上下文窗口限制了跨多会话的长期信息积累与重用。现有的增强记忆系统往往以粗糙和不稳定的方式构建记忆，依赖于低效的记忆表示或不稳定的无约束更新。为了解决这些挑战，本文提出了AtomMem，一个旨在实现高价值存储和稳定记忆演化的长期记忆系统。AtomMem引入了事实执行器，选择性提取长形式交互中的高价值原子事实，作为高效的记忆表示。随后，AtomMem将这些事实组织成层次事件结构和时间档案，捕捉连贯的情节上下文，并跟踪动态演变的用户属性。实验结果表明，AtomMem在LoCoMo基准测试中在各种推理任务上达到了最先进的性能，为部署智能个性化代理提供了可扩展且经济可行的解决方案。
🔬 方法详解
问题定义：本文旨在解决大型语言模型在多会话交互中长期信息积累与重用的限制，现有方法往往依赖低效的记忆表示，导致记忆构建不稳定。
核心思路：AtomMem的核心思想是通过事实执行器提取高价值的原子事实，作为高效的记忆表示，进而组织成层次结构以增强记忆的稳定性和可用性。
技术框架：AtomMem的整体架构包括事实执行器、层次事件结构和时间档案。事实执行器负责从长形式交互中提取原子事实，层次事件结构用于组织这些事实，而时间档案则跟踪用户属性的动态变化。
关键创新：AtomMem的主要创新在于其高效的记忆表示和稳定的记忆演化机制，通过引入原子事实和层次结构，显著提升了记忆的有效性和稳定性，与现有方法相比具有本质区别。
关键设计：在设计中，AtomMem采用了特定的参数设置以优化事实提取过程，并设计了适应性更新机制以确保记忆的稳定性，具体的损失函数和网络结构细节在论文中进行了详细描述。
🖼️ 关键图片
📊 实验亮点
在LoCoMo基准测试中，AtomMem在多项推理任务上达到了最先进的性能，相较于现有基线，性能提升幅度显著，展示了其在记忆系统中的有效性和可扩展性。
🎯 应用场景
AtomMem的研究成果具有广泛的应用潜力，特别是在智能个性化代理、对话系统和人机交互等领域。通过提升长期记忆的有效性，该系统能够更好地理解用户需求，提供个性化的服务，进而推动智能代理的实际应用和发展。
📄 摘要（原文）
Large language models (LLMs) demonstrate strong reasoning and generation abilities, but their fixed context windows limit long-term information accumulation and reuse across multi-session interactions. Existing memory-augmented systems often construct memory in a coarse and unstable manner, relying on inefficient memory representations or unstable unconstrained updates. To address these challenges, we propose AtomMem, a long-term memory system designed for value-dense storage and stable memory evolution. AtomMem introduces a Fact Executor, which selectively extracts high value atomic facts from long form interactions to serve as highly efficient memory representations. Subsequently, AtomMem organizes these facts into hierarchical event structures and temporal profiles, capturing coherent episodic contexts and tracking dynamically evolving user attributes over time. During retrieval, the system activates an associative memory graph to connect fragmented memories. Experiments on the LoCoMo benchmark confirm that AtomMem achieves state-of-the-art performance across various reasoning tasks, offering a scalable and economically viable solution for deploying intelligent personalized agents.