面向长期 LLM Agent 的检索驱动型记忆再巩固机制

英文标题：Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents

长期记忆是大语言模型智能体（LLM Agent）在长周期多轮交互中保持连贯性与自主性的核心基石。然而，现有记忆系统通常仅在新信息涌入时执行写入更新，将检索单纯视为被动的单向读取终点，制约了记忆在生命周期中的自主演化。最新研究借鉴认知神经科学中的“记忆再巩固”理论，提出了检索驱动型记忆更新范式，使 Agent 在每次检索激活历史信息时同步触发记忆的动态重构与强化。该工作为开发者构建支持终身学习与超长上下文演进的下一代智能体架构提供了关键技术指引。

打开原文相关 5.6 · 机会 1

中文

论文概况

论文标题：Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents（面向长期 LLM Agent 的检索驱动型记忆再巩固机制）
arXiv 编号：arXiv:2609.16053v1
发布类型：最新论文（Announce Type: new）

摘要

长期记忆对于在长周期连续交互中运行的基于 LLM 的 Agent 而言至关重要。现有的智能体记忆系统主要在新信息到达时更新存储，往往将检索过程仅仅视为记忆访问的单向终点，而非推动记忆演化与自适应重组的驱动机制。

针对该痛点，本研究提出了一种检索驱动型记忆再巩固机制（Retrieval-Driven Memory Reconsolidation）：在 Agent 每次检索并调取相关记忆时，结合当前交互情境对已有记忆痕迹进行重新激活、校验、更新与巩固，打破传统的“静态存取”模式，显著提升 Agent 在持续交互中的记忆准确率与推理稳定性。

BibTeX 格式引用

bibtex @article{retrieval_reconsolidation2026, title={Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents}, eprint={2609.16053}, archivePrefix={arXiv}, primaryClass={cs.AI} }

面向长期 LLM Agent 的检索驱动型记忆再巩固机制

中文

论文概况

摘要

BibTeX 格式引用

English / 原文

BibTeX formatted citation