加权记忆树：为长程 LLM 智能体记住重要内容

arXiv 论文提出 Weighted Memory Tree（WMT），一种为 LLM 智能体设计的层级记忆系统，将执行历史组织为任务、子任务和动作，并为每个记忆分配动态保留分数。通过基于事件的更新和基于选择的衰减调整分数，WMT 在 GAIA-Text 上使用 Qwen3-8B、Gemma 4 E4B 和 Llama-3.1-8B 进行评估，相比线性记忆平均准确率提升 9.97 个百分点，提示 token 使用量减少 32.8%，并能限制不可靠信息的持久化与传播。

现有记忆方法侧重组织或压缩执行历史，但缺乏决定哪些记忆应保持活跃的机制。WMT 引入动态保留分数，使智能体能主动筛选有用信息、折叠已完成轨迹、抑制低效内容，提升长程任务中的推理质量并显著降低 token 成本，为智能体记忆管理提供了新的思路。

WMT 将执行历史组织为树状结构，每个记忆节点带有动态保留分数。事件驱动的更新和选择驱动的衰减机制共同调整分数，使高价值记忆被保留，低效用内容被抑制，并保留对已折叠上下文的访问。这种机制让系统自动判断信息的持久性和活跃度，而非简单存储全部历史。

WMT 可显著降低 LLM 智能体的推理成本（token 减少 32.8%）同时提升准确率，有助于开发更高效的智能体产品。记忆的选择性保留机制可减少错误或过时信息对推理的干扰，提升长周期任务（如多步工具调用）的可靠性，适合集成到现有智能体框架或记忆系统中。

• 在智能体产品中集成 WMT 作为记忆模块，降低 token 消耗并提升长任务准确性。
• 针对客服、数据分析等长流程场景，利用 WMT 动态记忆筛选来提升回复质量与响应速度。
• 对现有记忆系统进行改造，引入动态保留分数机制，提升信息利用效率。
• 开展基于 WMT 的实证测试，验证其在不同业务场景下的 token 节省与性能提升效果。

• WMT 在除 GAIA-Text 外的实际业务场景中是否同样有效？
• 动态保留分数的初始化和参数调优需要多少人工干预？
• WMT 对超长对话或复杂多智能体协作环境的扩展性如何？
• 是否存在因过度抑制信息而导致的准确率下降风险？