AI记忆革命GAM：用“即时研究”取代静态压缩，长文本任务准确率超90%！

AI Agent的记忆力，正在成为其智能的瓶颈。

ArXiv URL：http://arxiv.org/abs/2511.18423v1

传统的记忆方法就像考前死记硬背，试图把所有知识都压缩进一个“小抄”里。这种方式不可避免地会丢失大量细节，导致AI在处理复杂任务时“失忆”。

如果AI能换一种方式记忆呢？它不再死记硬背，而是像一个顶级研究员，平时只记录关键索引，在需要时才去深度挖掘全部资料。

来自北智院、港理大和北大的研究者们提出了一个名为通用智能体记忆（General Agentic Memory, GAM）的全新框架，它正是基于这种“即时研究”的理念，彻底改变了AI的记忆模式。

抛弃“预编译”，拥抱“即时编译”

当前大多数AI记忆系统，遵循的是预编译（Ahead-of-Time, AOT）原则。

它们在离线阶段花费大量算力，将原始信息压缩成轻量级记忆。这种方法最大的问题是信息丢失，就像制作一份书的摘要，无论多详尽，都无法替代原书。

而GAM框架则借鉴了编程中的即时编译（Just-in-Time, JIT）思想。

它在离线时只做最轻量的工作，而在运行时（即需要回答问题时）才投入密集计算，为当前任务“深度研究”并生成一个定制化的、最高效的上下文。

为了实现这一目标，GAM设计了一个优雅的“二人组”架构：记忆者（Memorizer）和研究者（Researcher）。

GAM的双智能体协同机制

GAM的核心是两个基于LLM的智能体，它们各司其职，高效协作。

1. 记忆者（Memorizer）：离线档案管理员

当AI Agent的历史信息（如对话、操作记录）像数据流一样涌入时，“记忆者”开始工作。

它只做两件事：

• 提炼摘要：为新信息生成一个简洁的快照（$memo$），并将其增量式地更新到一份轻量级的“记忆索引”（$memory$）中。

• 无损归档：将原始信息和摘要一起打包成一个“页面”（$page$），存入一个名为“页面库”（$page-store$）的数据库中。

这个过程确保了所有历史信息都被无损保存，同时又有了一份能快速检索的索引。

2. 研究者（Researcher）：在线深度侦探

当用户提出请求时，“研究者”登场。它不像传统方法那样只看摘要，而是基于“记忆索引”在“页面库”中展开一场“深度研究”。

这个研究过程是迭代进行的：

1. 规划（Planning）：首先分析用户请求，思考需要哪些信息，并制定一个详细的搜索计划。

2. 检索与整合（Retrieve & Integrate）：执行搜索计划，从页面库中检索相关页面，并整合信息。

3. 反思（Reflection）：审视已收集的信息是否足够回答问题。如果不够，它会生成新的研究方向（$r’$），再次启动新一轮的规划、检索和整合，直到问题被完美解决。

这种“规划-检索-反思”的闭环，让GAM能够处理极其复杂、需要多步推理才能解决的问题。

实验效果：全面超越现有方法

那么，GAM的实际表现如何？研究者在多个主流的长文本和记忆基准测试（如HotpotQA, RULER, LoCoMo）上进行了验证。

结果令人印象深刻：

• 性能全面领先：GAM在所有测试中都显著优于包括传统RAG和长上下文LLM在内的所有基线方法。

• 攻克复杂推理：在需要多步追踪信息的RULER（MT）任务上，GAM的准确率超过了惊人的90%，而多数基线方法在此类任务上表现不佳。

• 对抗“上下文噪声”：实验发现，简单粗暴地扩大LLM的上下文窗口（如128K）并不能保证性能，过多的无关信息反而会造成“上下文腐烂”（context rot）现象，干扰模型判断。而GAM通过其精准的“研究”过程，有效避免了这个问题。

这些结果证明，GAM的“即时研究”范式远比静态压缩或无限扩展上下文窗口更为有效。

深入探究：GAM成功的关键

更强的“研究者”是关键

研究者发现，GAM的性能与“研究者”智能体的能力密切相关。当为“研究者”配备更强大的LLM（如从7B模型升级到32B）时，系统整体性能有显著提升。

有趣的是，“记忆者”对模型大小不那么敏感，即使使用小模型也能维持不错的性能。这说明，复杂的“研究”过程才是真正需要强大模型能力的地方。

更多的“思考时间”带来更好的结果

GAM的一个独特优势是其测试时可扩展性（test-time scalability）。这意味着在处理难题时，我们可以通过增加其“思考时间”来提升性能。

左图：增加反思深度（允许更多轮研究）

右图：增加单轮研究检索的页面数

实验表明，无论是增加“研究者”的反思深度（迭代次数），还是扩大每轮检索的页面数量，都能稳定地带来性能增益。这是传统固定流程方法所不具备的灵活性。

兼顾效率与效果

尽管引入了复杂的“深度研究”过程，GAM的整体效率依然非常具有竞争力。其在线服务响应时间与现有主流记忆系统相当，实现了性能与成本的最佳平衡。

结语

GAM框架为AI Agent的记忆问题提供了一个全新的、极具潜力的解决方案。

它摒弃了传统记忆系统“信息压缩”带来的固有缺陷，通过引入“记忆者”和“研究者”的双智能体协同机制，将记忆过程从静态的、有损的“预编译”转变为动态的、无损的“即时研究”。

这不仅让AI Agent能够更精准、更深入地利用其全部历史知识，也为未来构建更强大、更通用的AI智能体铺平了道路。或许，真正智能的AI，其秘诀不在于能记住多少，而在于“知道去哪里寻找”。