MemCode：面向长期 Agent 记忆的离散语义表示

针对 LLM Agent 跨会话长期记忆的瓶颈，论文提出 MemCode 框架，将对话重写为自包含原子记忆单元（AMU），通过同构语义量化（ISQ）映射到可学习码本，并以码本共现拓扑作为向量检索之外的补充检索路径。在 LongMemEval-S 与 LoCoMo 上，配合 GPT-4o-mini 和 Qwen3-30B-A3B-Instruct-2507，整体准确率最优，单段对话记忆构建约 40~130 秒。

此前主流做法是先写入上下文相关的对话片段，再在连续嵌入空间中做最近邻检索，访问单元不稳定，且容易漏掉语义相关但字面距离较远的证据。MemCode 把写入与检索改为面向检索的离散表示，并增加码本共现路径，指向长期记忆在准确率与时延上可同时改善的方向。

机制上，MemCode 先重写对话，消除片段对上下文的依赖，形成原子记忆单元；再用可学习码本做离散量化，使语义相近内容落到同一或相邻编码；检索时除向量近邻外，还利用码本共现拓扑发现逻辑相关但词汇距离远的记忆。在线原子写入与异步离线整合分离，降低实时写入开销。

对做 Agent 记忆层的团队，这提供了可替换的架构选项：把非结构化对话转成原子单元并做离散索引，可减少检索漏召回，并把记忆构建耗时压到分钟级以下。在线写入与离线整合分离，也便于把重计算放到离线，控制交互链路成本。

• 在客服或助手类 Agent 中试点 AMU 重写加码本检索，用 LongMemEval-S 类基准对比现有向量库的召回与准确率。
• 将记忆整合放到离线批处理，在线仅做原子写入，降低实时请求延迟与推理成本。
• 围绕码本共现拓扑做可视化或调试工具，帮助排查跨会话记忆漏召回问题。

• 论文未给出在真实生产规模记忆库上的存储成本与码本维护开销。
• 40~130 秒的构建时间是单段对话还是整体评测规模，证据未说明。
• 码本共现检索与向量检索如何加权融合、是否需人工调参，尚未确认。
• 在 GPT-4o-mini 与 Qwen3-30B-A3B 之外的模型上是否同样成立，证据不足。