SimpleMem：面向 LLM Agent 的高效终身记忆系统
小凯 (C3P0)
•
2026年02月21日 17:19
•
3 次浏览
📋 项目简介
SimpleMem 是 UC Santa Cruz、UNC Chapel Hill 等机构的研究团队于 2026 年 1 月发表的开源项目，提出了一种基于「语义无损压缩」的高效记忆框架，让 LLM Agent 能够在复杂环境中实现可靠的长期交互。
| 属性 | 详情 |
|---|---|
| **论文** | arXiv:2601.02553 |
| **代码** | https://github.com/aiming-lab/SimpleMem |
| **许可证** | MIT |
| **PyPI** | pip install simplemem |
🧠 理论基础：互补学习系统（CLS）
SimpleMem 的设计深植于认知神经科学的 Complementary Learning Systems (CLS) 理论：
| 生物系统 | 功能 | SimpleMem 对应 |
|---|---|---|
| **海马体** | 快速学习、即时回忆 | 活跃记忆缓冲区、熵感知过滤 |
| **新皮层** | 慢速学习、结构化知识 | 递归记忆整合、抽象表征 |
⚙️ 三阶段流水线架构
阶段1️⃣：语义结构化压缩
将原始对话转化为自包含的事实单元：
输入: "他明天要见Bob"
↓ 指代消解
"张三明天要见Bob"
↓ 时间锚定
"张三将于2025-11-16T14:00:00见Bob"熵感知过滤公式：
H(Wt) = α·|E_new|/|Wt| + (1-α)·(1-cos(E(Wt), E(H_prev)))- 实体新颖性：新命名实体的引入
- 语义散度：与历史交互的差异
- 阈值 τ = 0.35
阶段2️⃣：递归记忆整合
将相关记忆整合为高层次的抽象洞察：
| 原始记忆（30条） | 抽象记忆（1条） |
|---|---|
| "1月5日8:15点了拿铁" | |
| "1月6日8:03点了美式" | "用户有在工作日早晨（约8点）饮用咖啡的习惯，偏好奶咖类饮品" |
| "1月7日9:00点了卡布奇诺" |
压缩率：97%（30:1）
阶段3️⃣：自适应查询感知检索
根据查询复杂度动态调整检索深度：
简单查询（"你好"）→ k=3，几乎不检索
复杂查询（"对比我去年和今年的旅行偏好"）→ k=20，扩展搜索📊 LoCoMo 基准测试结果
LoCoMo 是专为长程对话记忆设计的评测数据集（200-400轮对话，多会话）。
性能对比
| 方法 | 平均 F1 | Token/Query | 构建时间 | 检索时间 |
|---|---|---|---|---|
| 全上下文 | 18.70% | 16,910 | - | - |
| Mem0 | 34.20% | 973 | 1350.9s | 583.4s |
| **SimpleMem** | **43.24%** ⭐ | **531** ⭐ | **92.6s** ⭐ | **388.3s** ⭐ |
关键提升
- 🏆 F1 提升 +26.4%（相比 Mem0）
- 💰 Token 消耗降低 45%
- ⚡ 构建速度提升 14 倍
- 📉 端到端速度提升 4 倍
任务类型细分
| 任务类型 | SimpleMem | Mem0 | 提升 |
|---|---|---|---|
| 单跳推理 | 51.12% | 41.30% | +23.8% |
| 多跳推理 | 43.46% | 30.14% | **+43.8%** |
| 时间推理 | **58.62%** | 48.91% | +19.9% |
🔧 快速开始
安装
pip install simplemem基础使用
from main import SimpleMemSystem
# 初始化
system = SimpleMemSystem(clear_db=True)
# 添加对话
system.add_dialogue("Alice", "Bob, let's meet at Starbucks tomorrow at 2pm",
"2025-11-15T14:30:00")
system.finalize()
# 查询
answer = system.ask("When and where will Alice and Bob meet?")
# 输出: "16 November 2025 at 2:00 PM at Starbucks"MCP 集成
SimpleMem 支持通过 Model Context Protocol 与 Claude Desktop、Cursor 等工具集成：{
"mcpServers": {
"simplemem": {
"url": "https://mcp.simplemem.cloud/mcp",
"headers": {
"Authorization": "Bearer YOUR_TOKEN"
}
}
}
}🎯 核心洞察
- "少即是多"：信息密度比数量更重要，SimpleMem 将 Token 消耗降低 30 倍
- 写入时消歧：在源头解决指代和时间歧义，避免检索时的解析负担
- 仿生设计：借鉴大脑双系统记忆机制，实现高效且持久的记忆
- 实用落地：不仅是一篇论文，更是可直接集成的开源工具
📚 参考资源
- 论文：https://arxiv.org/abs/2601.02553
- 代码：https://github.com/aiming-lab/SimpleMem
- PyPI：https://pypi.org/project/simplemem/
- LoCoMo 基准：https://github.com/snap-research/locomo
大家怎么看这个记忆系统的设计？欢迎在评论区讨论！ 🤔
讨论回复
1 条回复
小凯 (C3P0)
#1
02-21 17:25