QUMem：LLM代理中基于查询的用户状态推断的个性化记忆框架

QUMem是一个面向LLM代理的结构化记忆框架，用于基于查询的用户状态推断。它先将交互历史按语义连续性切分为可变长度事件段，再将每个事件段分解为可独立检索的事实、偏好和可迁移洞察记忆，并保留时间位置和来源证据。推理时由三个顺序代理识别任务信息需求、规划多查询检索并联合推断用户状态。QUMem在PersonaMem和KnowU-Bench上取得最优性能。

此前外部记忆系统受固定轮次、固定令牌或基于会话的边界限制，可能混合无关对话或因事件割裂而丢失因果关系。QUMem引入语义连续性分割和按类型分解记忆，解决了记忆绑定和单一检索查询无法捕捉偏好演变、时间有效性和上下文适用性的问题，在基准上实现最优性能。

QUMem先按语义连续性将长交互历史切分为事件段，每段再分解为事实、偏好和可迁移洞察三类记忆，并保持时间戳和来源链接。推理时，三个顺序代理分别负责识别任务信息需求、规划多查询检索、联合推断用户状态，从而获取更完整且时间上下文有效的用户信息，提升个性化响应质量。

对产品研发而言，QUMem为LLM代理的个性化记忆提供了一种新的实现范式。它可减少记忆碎片化导致的错误推断，提升用户状态估计的准确性，改善个性化推荐、对话系统等下游体验，但需要实现事件分割和记忆类型化，可能增加系统复杂度。

• 在个性化对话代理中，采用QUMem框架替代固定会话记忆，以提升长时交互的用户状态推断准确性。
• 开发基于QUMem的多查询检索插件，优化现有RAG系统的上下文召回效果。
• 将QUMem用于用户画像构建产品，从历史交互中分离事实、偏好和可迁移洞察，支撑精准推荐。
• 基于事件分割和记忆类型化，提供针对客服系统的记忆管理模块，减少日志噪声。

• QUMem在PersonaMem和KnowU-Bench上的具体性能提升幅度尚未给出数据，需进一步确认。
• 证据未说明QUMem对计算成本和延迟的影响，是否适合生产环境待验证。
• 记忆类型化（事实、偏好、可迁移洞察）的分类准确率如何影响最终用户状态推断质量，尚无实验数据。
• QUMem与现有LLM代理（如ReAct、Toolformer）的集成方式及兼容性未经证实。