EMNLP 2026 | 中科大提出AtomMem，用原子事实重建Agent长期记忆

让你更懂AI的 2026-10-29 15:02 北京

几周前说过的话，AI还记得吗？

几周前告诉 AI 助手的偏好，它今天还能准确记得吗？

当用户状态发生变化时，助手能否在准确更新记忆的同时，保持记忆库的稳定性？面对需要综合多次对话才能回答的问题，它又能否找到并整合所需的证据？

当大语言模型从单轮问答走向长期交互，记忆的准确保存、稳定更新与有效利用，直接关系到 Agent 能否持续提供可靠的个性化服务。

完整保存原始对话，容易使检索与回答过程受到冗余内容的干扰；将对话压缩为摘要或组织成三元组等结构化关系表示，则可能在提炼信息的过程中损失关键细节与上下文。

保存了对话，不等于建立了可靠的记忆。

在本文中，我们提出 AtomMem：先将对话转化为高价值、能够独立理解的原子事实（Atomic Facts），再用事件组织相关经历、用时序画像追踪用户状态的变化，并通过关联图召回分散的证据。

我们以高质量的记忆表示为基础，协同设计记忆的组织、更新与检索机制，支持长期交互中的信息积累、状态维护与证据整合。

其中，一个值得关注的发现是：即使不使用复杂的层次结构和图关联召回，仅基于向量相似度直接检索原子事实，也能带来明显提升。

这一结果凸显了记忆表示的基础作用，也促使我们进一步思考：系统究竟应该记住什么，又应以何种形式保存这些信息？

论文标题：

AtomMem: Building Simple and Effective Memory System for LLM Agents via Atomic Facts

论文作者：

Yanyu Yao、Shangze Li、Zhi Zheng*、Hui Zheng、Qi Liu、Tong Xu*、Enhong Chen

作者单位：

中国科学技术大学、安徽大学

录用会议：

EMNLP 2026

论文地址：

http://arxiv.org/abs/2606.19847

项目地址：

https://github.com/MINE-USTC/AtomMem

问题：长期记忆到底难在哪里？

大语言模型已经展现出较强的语言理解、推理与生成能力，但当它们被用于跨越数周甚至数月的长期交互时，有限的上下文窗口便成为历史信息积累与复用的重要限制。

为了持续提供可靠的个性化服务，智能体需要借助外部记忆，保存和管理交互中的有效信息，并在后续任务中按需调用。

随着交互持续，用户的经历不断积累，偏好与目标也可能随时间变化。回答当前问题所需的证据，往往分散在不同会话中，并与大量无关内容交织。

系统需要从中提取并保留关键事实，在新信息到来时准确、稳定地维护已有记忆，还需要在回答问题时找回相关证据，理解并整合它们之间的联系。

如何将持续积累的对话转化为可靠、可用的长期记忆，是这一过程中的核心问题。

围绕这一问题，我们从记忆表示、记忆更新与记忆检索三个方面梳理现有方法面临的挑战。

〓 AtomMem 的研究动机与方法概览

第一，记忆表示的两难。直接保存原始对话能够保留丰富的交互细节，却也保留了寒暄、重复等冗余内容，以及依赖上下文的表达。

当多个主题混合在同一记忆单元中时，关键信息的语义特征可能被弱化，影响检索的准确性；无关内容被召回后，还会占用有限的上下文空间，增加模型的处理负担。

另一方面，若将对话提炼为紧凑的记忆表示，却也可能在信息取舍中丢失细粒度信息。

因此，真正需要优化的，是有效信息的密度与保真度。

第二，记忆更新的稳定性挑战。用户状态随时间变化，记忆需要相应更新。现有方法通常依赖 LLM 改写已有条目以适应新信息，但缺乏约束的频繁重写可能在反复迭代中引发语义漂移，破坏原有记忆。

第三，记忆检索的关联性局限。有用的证据往往分散在不同会话中，回答一个问题可能需要依赖跨会话的多条信息。

只对孤立条目进行相似度排序，容易遗漏那些表面措辞不同，却属于同一经历或上下文的事实。

一个关键发现：高质量的记忆表示是系统能力的基础

为了检验记忆表示对长期记忆能力的贡献，我们构建了 AtomMem-Flat。

它不使用完整系统中的分层记忆结构与图关联检索，而是将原始对话转化为我们提出的原子事实（Atomic Facts），再通过向量相似度直接进行检索。

在统一的实验设置下，AtomMem-Flat 在 LoCoMo 的单跳、多跳、时间推理和开放域四类任务上，均显著优于直接使用原始对话的基线。

以多跳推理为例，其 F1 从 20.97 提升至 37.03，相对提升约 76.6%。

同时，AtomMem-Flat 仅使用约 72.3 万 Token（722.75K），在多项指标上取得了可与现有强记忆系统竞争的表现，展现了原子事实表示在长期记忆任务中的应用价值。

〓AtomMem-Flat 的对比实验

这些结果表明，仅依赖复杂的系统编排难以弥补底层记忆表示的缺陷。

相比包含冗余内容、主题混杂和上下文依赖表达的原始对话，Atomic Facts 为记忆的检索与使用提供了更可靠的基础。

核心表示：从原始对话到结构化原子事实

什么是“原子事实”？

我们将其定义为：表达单个语义完整命题的最小高价值信息单元，忠实于原始对话，并能脱离原始会话上下文独立理解和使用。

“原子化”并不意味着句子越短越好，它强调语义单一与信息完整：每条记忆聚焦一个明确的命题，同时保留理解该命题所需的必要信息，不再依赖缺失的上下文。

〓 AtomMem 总体框架

原始对话中经常出现“我”、“他”、“上周五”、“那件事”等依赖上下文的表达，一旦脱离原会话，其指代对象或具体含义就可能变得模糊。

为此，我们设计了基于监督微调（SFT）的原子事实提取器（Atomic Fact Extractor），在记忆构建阶段完成以下处理：

• 去噪：过滤问候、附和、重复和其他低价值内容；

• 上下文解析：解析代词、相对时间和隐含实体等上下文依赖，确保每一条事实都可以脱离上下文独立存在、被检索并被理解；

• 语义拆分：将包含多个主题的长对话片段拆成若干单一、语义完整的事实，同时避免过度推断。

在训练数据构建上，我们采用“教师模型初步提取—人工复核”的两阶段流程，共获得 4,352 条训练样本。

随后，我们基于这些样本，采用 LoRA 对 Qwen3-14B 进行监督微调，得到面向原子事实提取任务的专用模型。

在此基础上，我们进一步补充语义向量与结构化元数据，构建结构化原子事实：

每条记录包含事实文本、向量表示、参与者、关键词、时间信息和所属事件等元数据。其中，关联事件列表初始为空，随后在事件组织过程中建立相应关联。

这种表示既支持语义检索，也支持基于元数据的符号过滤、时间约束，并为后续的事件组织与图关联召回提供基础。

记忆演化：在稳定更新中建模用户经历与状态

结构化原子事实为长期记忆提供了清晰的基本单元，但长期交互还需要回答两个问题：新信息如何进入记忆？分散的事实如何形成对用户的持续理解？

事实验证：保留新增信息，约束旧事实更新

在新事实存储前，我们先依据参与者、时间等元数据筛选候选记忆，再结合语义相似度与关键词重合度，检索相关旧事实，作为验证所需的上下文。

随后，由 LLM 比较新事实内容与已有记录，判断哪些信息已被覆盖、哪些属于新增内容，以及是否存在逻辑冲突。

对新事实的处理原则为：重复内容不再重复存储，尚未覆盖的信息作为新事实保存，只有检测到逻辑冲突时，才生成对旧事实的更新。

我们通过对比实验进一步考察这一设计。

实验以 AtomMem-Flat 为基础，使用相同的预抽取 LoCoMo 事实与仅基于向量相似度的检索流程。

其中，Same-Item Update 策略会在新信息涉及同一对象或事件，且改变或扩展已有内容时改写旧事实，而我们的 Fact Verification 则将旧事实的改写限制在检测到逻辑冲突的情况。

〓 记忆更新策略的对比实验

这一结果表明，扩大改写范围、增加改写次数，并不必然改善记忆质量。有针对性地减少不必要的修改，有助于保留有效信息，降低更新引发语义漂移的风险。

事件记忆：组织关联事实

单条事实能够记录具体细节，却未必能够呈现一段经历的连续性。因此，我们构建事件记忆（Event Memory），将逻辑相关的事实组织为连贯的情境单元，并保留与底层事实记忆的关联。

每个事件的结构定义为：

1. 候选生成：系统复用事实验证阶段检索得到的相关事实集合，将这些事实关联的已有事件汇集为候选事件，将尚未关联任何事件的事实保留为独立候选。

2. 语义路由：由 LLM 判断新事实与候选内容是否具有逻辑上的关联，据此确定它可以并入哪些已有事件，以及可以与哪些独立事实共同构成新事件。

模型可以选中多个候选，也可以不建立事件关联，继续作为独立事实保存。

3. 状态执行：对于匹配的已有事件，系统更新事件的成员事实、参与者和时间范围，并根据更新后的成员事实重新生成事件摘要与关键词；对于匹配的独立事实，则分别将每条事实与新事实组合，创建对应的新事件。

没有匹配时，新事实独立保存，不建立事件关联。

〓 事件记忆构建与更新算法

通过这一过程，事件层在保留底层事实的基础上，将分散的信息组织为连贯的经历脉络，为后续检索提供事件级上下文与关联线索。

新事实既可以并入已有事件，也可以与其他独立事实组合成新事件；暂时没有合适关联的事实，则可以独立保存。

事件层的作用是组织事实之间的联系，而不是用一段摘要替代所有底层细节。

时序画像：追踪用户状态

事件记忆关注具体经历，时序画像（Temporal Profile）则用于描述偏好、习惯和背景等相对持久、但可能随时间变化的用户属性。我们将一条画像记忆定义为：

由此，我们在高质量记忆表示的基础上，进一步支持信息的持续积累、关联组织与稳定更新：原子事实保留可追溯的具体证据，事件记忆组织情境经历，用户画像追踪用户状态。

记忆检索：查询感知的关联召回

高质量的记忆表示为检索提供了基础，而回答跨会话问题，还需要整合分散的事实与上下文。为此，我们设计了如下的分层检索流程。

查询解析

分层混合检索

1. 直接召回：系统根据参与者和时间范围对全局事实进行元数据过滤，再结合向量语义相似度与关键词 Jaccard 相似度进行排序，召回与查询直接相关的原子事实。

2. 事件补偿：经元数据筛选后检索相关事件，再综合事件整体相关性与事实自身相关性进行排序，选出补充事实。两路结果共同构成种子集合。

3. 关联召回：以种子事实为起点，在局部关联图上运行个性化 PageRank 发现隐含的跨会话证据，实现查询感知关联召回。

关联记忆图

关联图以原子事实为节点，构建三类关系边：

• 实体边：连接共享关键实体或主题的事实，并用查询感知的 IDF 权重压低高频噪声词；

• 事件边：连接属于同一事件的事实，同时对过大的事件进行惩罚；

• 时序边：连接同一会话中相邻的事实，并让边权随对话轮次距离衰减。

三类关系分别提供主题、事件与局部语境上的关联信号，使分散在不同会话中的事实能够通过多种线索相互连接。

图检索完成后，系统按需补充用户画像，并将最终召回的事实证据与画像共同用于回答生成。

实验

实验统一采用 GPT-4o-mini 作为骨干模型。我们根据任务类型报告 F1、BLEU-1 和 LLM-as-a-Judge（J），其中 J 由大模型评估答案的语义正确性。

LoCoMo 实验。在 LoCoMo 的四类任务上，AtomMem 在全部报告指标中均取得最佳结果，全流程 Token 消耗相比 Mem0 降低了 61.4%，在提高回答质量的同时保持了较低的计算成本。

〓 LoCoMo 实验结果

模块消融实验。AtomMem-Flat 的实验结果表明，仅将原始对话转化为原子事实，就能显著改善后续检索与回答效果。

在此基础上，模块消融实验进一步显示：移除事件记忆、时序画像或关联图后，相关指标均出现不同程度的下降。

〓 AtomMem 模块消融实验

这些结果说明，不同模块承担着互补作用：原子事实改善基础表示，事件与画像补足不同层次的上下文，关联图进一步帮助找回间接证据。

跨模型评估。当骨干模型替换为 Qwen3.5-Flash 时，AtomMem 在 LoCoMo 四类任务的全部报告指标上仍取得最佳结果。

〓 LoCoMo 跨模型实验结果

跨基准评估。我们还在独立的 LongMemEval 基准上进行了补充实验。

与 LightMem 和 Mem0 相比，AtomMem 在该基准的六类长期记忆任务上均表现出更强的整体性能，进一步支持了方法在不同长期记忆任务中的有效性。

〓 LongMemEval 跨基准实验结果

检索容量分析。检索容量增大时，召回率与回答质量并不总是同步提升。召回事实过少可能遗漏必要证据，过多则可能引入无关上下文。

因此，检索过程需要在证据覆盖率与上下文噪声之间取得平衡。

〓 检索容量k_f分析结果

在线延迟分析。我们在本地计算环境下，基于 1,540 个 LoCoMo 问题测试在线响应延迟。

完整在线响应平均耗时约 3.6 秒，主要来自依赖 LLM 调用的查询意图分析与答案生成，而记忆检索流程平均仅需 145.80 毫秒。

〓 AtomMem 在线响应延迟分解

小结

我们提出以结构化原子事实为核心的长期记忆框架 AtomMem，协同设计记忆表示、更新与检索机制。

通过事实验证维护记忆质量，以事件记忆组织经历脉络，以时序画像追踪用户状态，并利用关联图整合跨会话隐含证据，支持长期个性化交互中的信息积累与有效利用。

AtomMem 所展现的不止于提出一种新的记忆架构，更在于记忆表示的基础作用：当底层信息足够准确、清晰，简单检索也能有效。在此基础上引入结构化组织，才更容易转化为复杂任务中的收益。

当然，当前系统仍存在一定局限：系统主要处理文本交互，多个环节仍依赖基础模型的生成质量与输出一致性，整体 Token 效率也有进一步优化空间。

多模态扩展与更经济的记忆管理，是后续值得继续探索的方向。

Highlights

1. 好的记忆，始于好的表示。原子事实是表达单一、语义完整命题的最小高价值信息单元，忠实于原始对话，并能脱离原始上下文独立理解和使用。

2. 稳定演化，不在于频繁改写。事实验证保留新增信息，仅在检测到逻辑冲突时更新已有事实。时序画像依据事实证据追踪用户属性变化，兼顾当前状态维护与历史信息留存。

3. 有效召回，需要组织证据。事件补偿与图关联召回利用事实之间的联系，补充直接检索可能遗漏的证据；用户画像按需提供个性化依据，共同支持跨会话的信息整合与回答生成。

·

跳转微信打开