Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory
重新思考终身LLM Agent记忆：从原子事实到三层多粒度架构
🧭 Agent 终身记忆与多粒度存储 ★ 深度解读
Hong Kong Baptist University · The University of Texas at Austin · Shanghai Jiao Tong University · The University of Sydney
提出TriMem，用原始对话、抽取事实和合成画像三层粒度同时保证存储忠实性、检索效率和深层推理，并通过TextGrad迭代优化提示实现终身进化。
📌 工作参考价值（4 点）
- 三层记忆架构可直接迁移到电商客服Agent：保留对话原文指针（避免丢失产品细节）、提取原子事实（快速检索售后知识）、构建用户画像（整合历史交互推断偏好），三者联合可为长期对话推荐提供高忠实度的上下文。
- 用TextGrad自动优化抽取/整合提示：无需修改模型参数，仅靠问答反馈文本梯度迭代，让记忆系统在线适应业务术语变化和对话风格漂移，适合API-only部署。
- 检索阶段先分析问题关键信息再匹配：增加一次LLM分析，将问题转化为搜索query，大幅提升检索准确率，可复用于推荐系统中对复杂用户意图的多轮理解。
- 多粒度索引设计灵感：在商品知识管理或用户行为记忆库里，可同时维护原始日志、事件摘要和用户兴趣画像，不同粒度服务于不同查询深度，平衡效率与准确性。