#Memory Retrieval - AI Papers Daily

CABLE: Extending the Reach of Memory Retrieval via Complementary Antecedent-Based Linking and Expansion

CABLE：通过互补前因链接与扩展增强记忆检索

🧭 Agent 长期记忆检索增强

Shanghai Jiao Tong University · Shanghai Innovation Institute

提出可插拔的 CABLE 方法，通过生成前因导向查询并筛选互补关联构建稀疏有向图，扩展记忆检索的语义覆盖范围

📌 工作参考价值（4 点）

在 RAG/记忆检索中不要只依赖语义相似度：构建稀疏有向图，用前因导向查询发现语义距离远但因果/时序相关的证据，可迁移到电商客服 Agent 中跨会话解释用户偏好变化。
链接构建时采用“互补性过滤”：先检索直接语义邻居并减去这些候选，只保留检索器难以覆盖的关联，避免冗余、控制图规模，适合在用户行为知识图谱或记忆库中增量落地。
检索时保持宿主检索器不变，只对种子节点沿图扩展一跳/多跳，成本低、可插拔，无需替换现有向量库即可升级现有 RAG 架构。
在证据跨会话分布、开放域、偏好导向问题上收益最大，可优先应用于电商多会话对话、用户长期兴趣挖掘等场景。

Agent | 2026-08-18 | cs.CL | score 7/10

不回滚：面向流式对话摘要的缺失证据记忆

🧭 流式对话摘要 · 缺失证据记忆

KAIST

提出缺失证据记忆框架 ReMEMBER，在固定预算下针对当前窗口未解决依赖检索并提炼证据，提升流式对话摘要的缺口补全

📌 工作参考价值（4 点）

在电商客服/导购 Agent 中，多轮对话当前轮常含指代或隐含前提，直接总结或回答会丢失 grounding。可借鉴 ReMEMBER：先识别当前窗口的未解决依赖，再按依赖检索证据，而非按语义相似度盲目取 top-k；检索到的片段做证据密度提炼，在固定 token 预算下提升回答/摘要的事实一致性。
对推荐系统长序列用户行为建模，类似流式窗口总结：每次只处理最近一段 session，但长期偏好需从历史检索。可将当前目标视为带依赖的 query，先抽取缺失证据（早期点击、属性变化）再生成紧凑记忆；这比简单截断历史或普通 RAG top-k 更有效。
工程上，评估 RAG/记忆模块不要只看生成文本质量，应拆分 memory recall 和 gap-resolution completeness 等诊断指标，便于定位是检索没召回还是生成没利用，直接用于调试检索 Augmented 流水线。
若要用 LLM 记忆服务在线低延迟场景，固定预算下先检索后压缩的 evidence-dense memory 思路，适合做 prompt 压缩或 KV cache 精简，减少无效历史对注意力的干扰。

Other | 2026-08-09 | HF Daily | score 7/10