Mandol: An Agglomerative Agent Memory System for Long-Term Conversations
Mandol：面向长期对话的凝聚式Agent记忆系统
🧭 长期对话代理记忆系统 · 统一内存架构 ★ 深度解读
Institute of Software, Chinese Academy of Sciences · Microsoft Research
通过统一层次记忆模型与凝聚式数据结构，将碎片化存储融合为单一内存原生架构，在长期对话基准上达到最优准确率与最低延迟
📌 工作参考价值（4 点）
- 在推荐Agent或电商客服中，可借鉴层次记忆模型：将原始对话/行为拆分为基本记忆单元，并自动凝聚为事件链、实体图、用户偏好等高阶抽象，所有抽象保留与原始记忆的溯源链接，方便证据回查。
- 统一内存语义数据结构（SemanticMap+SemanticGraph）可替代常见的向量数据库+图数据库的混合方案，消除跨库I/O，将检索延迟降低一个数量级，适合低延迟交互场景。
- 定量检索机制不依赖LLM参与召回，通过查询自适应路由、基于MAD的动态去噪、跨源冲突仲裁（结合时间衰减与信源置信度）以及MMR驱动的Token预算上下文拼接，可直接用于构建干净、不冲突的长期记忆上下文，避免RAG式检索引入的噪声与冗余。
- Token效率优化技巧：用MMR联合优化相关性与多样性，避免简单Top-K导致关键证据丢失，可在有限上下文中保留互补信息，对推荐系统整理用户长期画像或Agent生成多跳推理线索都有参考价值。