长程语言智能体的重尾记忆痕迹

论文发现智能体记忆使用呈重尾分布，并提出 CTMC 控制器降低 token 用量。

资讯摘要

论文研究长程语言智能体外部记忆的使用分布，发现重复检索会产生重尾式记忆使用：少数状态被频繁访问，大量状态很少被检索、更易出现预测错误。作者对多种检索策略与图结构做尾部审计，发现记忆集中度可复现但强依赖策略，并提出基于排名的 Core-Tail Memory Controller（CTMC），用单一指数 τ 分配提示预算并保留尾部摘要信息。作者报告在 Synthetic Graph World 与 ALFWorld 上降低记忆用量且保持性能，在 LongMemEval 上提示 token 减少 24.48% 且总体准确率维持。

要点速读

1. 论文指出长程智能体记忆使用呈重尾分布，少数状态被高频检索，多数状态很少被访问且更易出错。
2. 作者提出 Core-Tail Memory Controller（CTMC），按排名分配提示预算并保留尾部摘要信息。
3. 作者报告在 LongMemEval 上提示 token 减少 24.48% 且总体准确率维持，并在 Synthetic Graph World 与 ALFWorld 上降低记忆用量。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。