TrawMem: Reframing Agent Memory as Task-Oriented Role-Adaptive Workspaces

📄 arXiv: 2610.36918v1 📥 PDF

作者: Mingyu Zhang, Zixu Li, Zhiheng Fu, Zhiwei Chen, Jinhe Bi, Yupeng Hu

分类: cs.CL

发布日期: 2026-10-27

备注: 31 pages, 18 figures, 3 tables

💡 一句话要点

提出TrawMem以解决记忆系统在任务适应性中的不足

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 记忆系统 任务导向 角色自适应 大型语言模型 智能助手 对话系统 性能提升

📋 核心要点

  1. 现有的记忆系统仅依赖相关性来检索记忆，无法有效支持任务解决，导致记忆利用效率低下。
  2. 本文提出TrawMem，通过将记忆视为任务导向的角色自适应工作空间，优化记忆的选择和组织方式。
  3. 在LoCoMo和MemGallery的实验中，TrawMem在多个基线模型上取得了显著的性能提升，宏观F1得分提高2.23-3.14个百分点。

📝 摘要（中文）

大型语言模型（LLM）代理依赖于记忆系统来利用长期交互，但现有系统通常仅根据与当前查询的相关性来检索记忆，并将其用作上下文证据。然而，仅凭相关性无法准确描述记忆在任务解决中的贡献：同一记忆在不同任务中可能扮演不同角色。为此，本文将代理记忆系统重新构建为任务导向的角色自适应工作空间，提出TrawMem，通过将交互历史组织为局部线程并构建任务导向的工作空间来分配角色和选择互补记忆。实验结果表明，TrawMem在LoCoMo和MemGallery上相较于代表性记忆系统有一致性提升，宏观F1得分提高2.23-3.14个百分点。

🔬 方法详解

问题定义：本文旨在解决现有记忆系统在任务适应性方面的不足，现有方法仅依赖记忆的相关性，无法充分利用记忆在不同任务中的多样角色。

核心思路：TrawMem通过将记忆组织为任务导向的工作空间，依据任务角色和关系选择和组织记忆，从而提高记忆的有效性和适应性。

技术框架：TrawMem的整体架构包括交互历史的局部线程组织和任务导向工作空间的构建，主要模块包括角色分配和互补记忆选择。

关键创新：TrawMem的创新在于将记忆系统视为角色自适应的工作空间，强调记忆在任务解决中的多重角色，与传统方法的单一相关性检索形成鲜明对比。

关键设计：在设计中，TrawMem采用了局部线程的组织方式，并通过角色分配机制优化记忆选择，具体参数设置和损失函数设计尚未详细披露。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在LoCoMo数据集上，TrawMem在Qwen3.5-9B和DeepSeek-V4-Flash模型上分别提高了4.07和4.31个百分点的LLM-Judge得分，同时减少了约12.8%和5.1%的上下文令牌，显示出其在记忆利用效率和任务适应性方面的显著优势。

🎯 应用场景

TrawMem的研究成果在智能助手、对话系统和其他需要长期记忆的人工智能应用中具有广泛的潜在应用价值。通过优化记忆的选择和组织，能够显著提升系统的任务执行能力和用户体验，未来可能推动更智能的交互系统的发展。

📄 摘要（原文）

Large language model (LLM) agents rely on memory systems to leverage long-term interactions, yet existing systems typically retrieve memories based on their relevance to the current query and use them as contextual evidence. However, relevance alone does not characterize how a memory contributes to task solving: the same memory may serve different roles across tasks, such as directly supporting the answer or linking to complementary memories with weaker semantic relevance but necessary information. We therefore reframe agent memory systems as Task-Oriented Role-Adaptive Workspaces, where memories are selected and organized by their task-oriented roles and relations. Based on this view, we propose TrawMem, which organizes interaction histories into local threads and constructs task-oriented workspaces by assigning roles and jointly selecting complementary memories. Experiments on LoCoMo and MemGallery with four open- and closed-source backbones show consistent improvements over representative memory systems, with macro-F1 gains of 2.23-3.14 points. On LoCoMo, TrawMem improves the LLM-Judge score over SimpleMem by 4.07 and 4.31 percentage points on Qwen3.5-9B and DeepSeek-V4-Flash, respectively, while requiring approximately 12.8% and 5.1% fewer context tokens, respectively.