LAM：带检索分数误差界的有损智能体记忆
原文标题：LAM: Efficient Lossy Agent Memory Framework With A Retrieval-Score Error Bound
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文针对智能体记忆随历史增长导致推理成本上升与上下文溢出问题，提出LAM有损智能体记忆系统。它包含带检索分数替换界的确定性去重规则、保留缓存前缀并将压缩与推理重叠的记忆管理器，以及部署前估算压缩成本的表现模型。在600条轨迹上移除22.47%观测token同时保留99.984%证据，预测端到端加速71.4至91.6倍。
- 问题
- 智能体历史记忆增长推高推理成本并撑爆上下文窗口，摘要压缩又无信息损失上界。
- 方法
- 用带检索分数替换界的确定性去重规则、保留缓存前缀并让压缩与推理重叠的记忆管理器，以及部署前估算压缩成本的表现模型。
- 结果
- 600条轨迹上移除22.47%观测token仍保留99.984%证据，固定删除集下预测端到端加速71.4至91.6倍。
- 影响
- 把记忆压缩从「摘要换延迟」变成可预测、可调度的工程手段，长跑智能体的成本与上下文溢出问题有了量化方案。
深读 · 结论先行AI 生成展开看要点与影响 ↓
LAM移除22.47%观测token仍保留99.984%证据，预测端到端加速71.4至91.6倍。
- •确定性去重规则给出检索分数的替换界，明确是分数扰动界而非排序不变的保证
- •记忆管理器保留缓存前缀，并将压缩与推理重叠执行
- •性能模型可在部署前估算压缩成本
- •600条智能体轨迹上移除22.47%观测token，保留99.984%实测gold-patch证据
- •固定删除集下，性能模型预测在预填充前移除记录（而非从已预填充上下文删除）可带来71.4-91.6倍端到端加速，收益来自调度而非规则
为什么重要：智能体历史膨胀推高推理成本并撑爆上下文，该工作把「删什么」与「何时删」分开，指出调度才是加速主因，对长程智能体工程有直接借鉴。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。