AdaMem: Адаптивная пользовательская память для диалоговых агентов с длительным горизонтом взаимодействия

AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents

March 17, 2026

Авторы: Shannan Yan, Jingchen Ni, Leqi Zheng, Jiajun Zhang, Peixi Wu, Dacheng Yin, Jing Lyu, Chun Yuan, Fengyun Rao

cs.AI

Аннотация

Крупные языковые модели (LLM) все чаще используют внешнюю память для поддержки долгосрочного взаимодействия, персонализированного ассистирования и многошаговых рассуждений. Однако существующие системы памяти по-прежнему сталкиваются с тремя ключевыми проблемами: они часто чрезмерно полагаются на семантическое сходство, что может приводить к пропуску доказательств, важных для пользовательско-ориентированного понимания; они нередко хранят связанные события как изолированные фрагменты, ослабляя временную и причинно-следственную связность; и они обычно используют статичную гранулярность памяти, которая плохо адаптируется к требованиям различных вопросов. Мы предлагаем AdaMem, адаптивную пользовательско-ориентированную архитектуру памяти для диалоговых агентов с долгосрочным горизонтом. AdaMem организует историю диалога в рабочую, эпизодическую, персональную и графовую память, позволяя системе сохранять текущий контекст, структурированный долгосрочный опыт, стабильные пользовательские характеристики и связи с учетом отношений в единой структуре. На этапе вывода AdaMem сначала определяет целевого участника, затем строит условный маршрут извлечения, сочетающий семантический поиск с расширением графа по связям только при необходимости, и, наконец, формирует ответ через специализированный конвейер синтеза доказательств и генерации ответов. Мы оцениваем AdaMem на бенчмарках LoCoMo и PERSONAMEM для долгосрочных рассуждений и моделирования пользователя. Результаты экспериментов показывают, что AdaMem достигает наилучших результатов на обоих бенчмарках. Код будет опубликован после принятия статьи.

English

Large language model (LLM) agents increasingly rely on external memory to support long-horizon interaction, personalized assistance, and multi-step reasoning. However, existing memory systems still face three core challenges: they often rely too heavily on semantic similarity, which can miss evidence crucial for user-centric understanding; they frequently store related experiences as isolated fragments, weakening temporal and causal coherence; and they typically use static memory granularities that do not adapt well to the requirements of different questions. We propose AdaMem, an adaptive user-centric memory framework for long-horizon dialogue agents. AdaMem organizes dialogue history into working, episodic, persona, and graph memories, enabling the system to preserve recent context, structured long-term experiences, stable user traits, and relation-aware connections within a unified framework. At inference time, AdaMem first resolves the target participant, then builds a question-conditioned retrieval route that combines semantic retrieval with relation-aware graph expansion only when needed, and finally produces the answer through a role-specialized pipeline for evidence synthesis and response generation. We evaluate AdaMem on the LoCoMo and PERSONAMEM benchmarks for long-horizon reasoning and user modeling. Experimental results show that AdaMem achieves state-of-the-art performance on both benchmarks. The code will be released upon acceptance.