02-GAM从静态记忆到即时检索的通用智能体记忆架构.pdfVIP

GAM：从静态记忆到即时检索的

通用智能体记忆架构

演讲嘉宾：B.Y.Yan

01从静态记忆到即时检索

目录02GAM架构解析

CONTENT

03实验与分析

04总结与展望

01

从静态记忆到即时检索

AItoAgenticAI

范式演进：从Chatbot到AutonomousAgent

1：任务复杂化

对话机器人自主智能体

·AI从被动的聊天接口转变为Agentic的生产力

·从单轮问答转变为多步推理

·深度集成外部能力

2：数据爆炸

演进

交互历史不再是简单的自然语言，而是包括思维

链、代码片段、工具输入/输出结果在内的复杂轨迹。

短上下文超长上下文3：核心技术矛盾

智能体成功完成任务所需信息量，远超当前模型

#Conversational#Multi-stepReasoning

架构的高效处理能力。

#Passive#Tool-Use,Coding...

通用解决方案的局限

Long-ContextLLMsRAG

核心痛点:ContextRot（上下文腐烂）核心痛点:Fragmentation（语义碎片化）

当输入海量无关信息时，模型的注意力传统RAG大多依赖文本切片，破坏了信息

机制被稀释。连贯性。

·“大海捞针”变难：难以区分关键信·丢失全局语义：切片切断了段落间、

息与背景噪声，推理准确率显著下降章节间的长程依赖关系

·幻觉增加：被迫在众多干扰项做选择，·上下文剥离：一个独立切片往往缺乏

容易产生错误关联理解其所必须的前提背景

次要痛点:成本增加次要痛点:推理链条断裂(Multi-hop失效)

·计算复杂度增加：·无法处理复杂追问:需多步推理时失效

·延迟过高·检索失效：传统RAG缺乏自我纠正和迭代检索能力

通用方案无法解决长周期复杂任务中对结构化、动态并具备推理能力的记忆的需求

现有AgentMemorySystem的困境

当前AgenticMemorySystem设计1：压缩导致的“信息熵减”

Ahead-of-Time