Jev-Mem：System-One 控制的 agentic memory 架构

arXiv 论文提出 Jev-Mem，一种借鉴 System-One/System-Two 认知分层的 agentic memory 架构。它用轻量 System-One 控制平面负责记忆类型划分、关系组织与检索路由、预算分配、图遍历、候选打分和自适应停止，仅在复杂推理和答案合成时调用 System-Two。在 LoCoMo 上，LLM-as-a-Judge 总分为 0.777，相对最强基线提升 11.0%；记忆构建时间降至 158 秒，较最快竞品加速 6.6 倍；平均查询延迟降至 0.93 秒，减少 36.7%。

已有 agentic memory 系统多依赖自回归 LLM 控制记忆的组织、检索和使用，导致昂贵的生成过程处于记忆操作的关键路径上。Jev-Mem 把快速决策与慢速推理分离，由轻量控制器承担记忆操作，只在需要时调用大模型，因此在效果提升的同时显著压缩构建时间和查询延迟。

该架构将认知分工映射为三个平面：System-One 控制平面负责记忆构建时的类型与关系组织，以及检索时的查询路由、预算分配、图遍历、候选打分和自适应停止；多关系记忆平面承载结构化记忆；System-Two 推理平面只处理复杂推理与答案合成。机制上，这是把原本由 LLM 逐次生成完成的记忆决策，改为由专用控制器执行，从而把生成从关键路径移出，降低延迟与算力消耗。

对产品与研发而言，这意味着长期记忆能力可以在不显著推高推理成本的前提下落地：记忆构建从分钟级压缩到百秒级，查询延迟进入亚秒级，更接近实时交互体验。工程上需要引入独立于主 LLM 的控制器与结构化多关系存储，并针对路由、预算和停止策略做调优，而非单纯堆叠更强的生成模型。

• 在客服或助理类产品中部署分层记忆控制器，把记忆读写从主模型调用中剥离，优先验证查询延迟与单次会话成本变化。
• 基于多关系记忆平面构建可追溯的知识关联存储，用于需要跨会话引用历史决策的垂直场景。
• 将自适应停止与检索预算分配做成可配置策略，按业务对精度和延迟的不同要求调参，并建立离线评测集。
• 以 LoCoMo 为基准复现 Jev-Mem，与现有记忆方案在构建时间、查询延迟和 LLM-as-a-Judge 得分上做同条件对比。

• 0.777 的 LLM-as-a-Judge 得分与 11.0% 相对提升对应的具体基线是哪一个系统？
• 158 秒构建时间与 0.93 秒查询延迟对应的数据规模、模型和硬件配置是什么？
• System-One 控制器本身是否需要训练或依赖特定模型，其泛化到 LoCoMo 之外任务的表现如何？
• 论文是否提供消融实验，区分控制平面、多关系记忆平面与推理平面各自的贡献？