AdaMem:
Adaptive User-Centric Memory for Long-Horizon Dialogue Agents
arxiv.org/pdf/2603.16496
warning
动机：现有系统的三大痛点
search_off语义依赖
过度依赖向量相似度，难以捕捉非字面匹配的深层证据。
grain记忆碎片
Chunk切割割裂了时间、因果和人物关系链条。
tune粒度困境
切分过粗混入噪声，过细丢失宏观脉络。
layers
核心创新：四层结构分类存储
纵向层级沉淀 + 横向关联索引，取代扁平向量库。
Working Memory
桌面便签 · 最近对话原文 · FIFO队列Episodic Memory
事件日记 · 事实与属性 · 结构化提取Persona Memory
人物档案 · 用户画像 · 跨对话聚合
device_hub
Graph Memory
关系线索板
关联索引网络
route
自适应检索策略
1. 目标识别
判断问题指向User或Assistant，处理指代不明
2. 路线规划
规则先行：何时/为何→图扩展；何人→画像
3. 证据融合
语义主导(70%) + 图关系补全(30%)
trending_up
实验结果亮点
23.4%
时间推理能力提升
LoCoMo基准 · F1 Score 44.65
63.25%
用户画像准确率
PERSONAMEM · 泛化能力+27.3%
verified
关键发现： 消融实验证明 Graph Memory 是最关键的增益来源，跨时间/片段的关系补全机制有效解决了碎片化问题。