[Submitted on 15 May 2026]

View PDF HTML (experimental)

Abstract:LLM 代理若配備持續性記憶，即可回憶過去的互動，但現有系統存在兩項限制：扁平且無結構的儲存會遺失多跳與時間推理所需的關係脈絡，而依賴昂貴的 LLM 分類機制使其無法實用於對延遲敏感的部署情境。若缺乏將新資訊與既有知識相互驗證的機制，此類系統便會靜默累積矛盾。我們提出 MOSAIC（Memory-Organized Structured Agent for Information Collection），這是一個結構化且具衝突感知能力的 LLM 代理長期記憶框架，具備顯著更高的精準度與效率。MOSAIC 引入三大關鍵能力：(1) 實體型別圖形儲存搭配語意分類，保留事件、人格與關係之間的關係結構，使對話歷史得以進行多跳與時間推理；(2) 以雜湊加速的雙路徑檢索，以局部敏感雜湊取代基於 LLM 的分類，達成近乎即時的查找且精準度損失可忽略；(3) 在儲存時即進行主動衝突偵測，將新資訊與既有圖形鄰居相互比對，對矛盾的項目觸發更新或刪除。在 LoCoMo（長對話問答）、HaluMem 以及新提出的臨床指南錯誤累積測試上進行評估，MOSAIC 在 LoCoMo 達到 89.35% 準確率（較最佳基線高出 27.21 百分點），HaluMem-Medium 擷取 F1 達 86.77%、HaluMem-Long 達 85.84%，Medium 與 Long 的問答正確率皆為最佳（73.10%、70.75%），並偵測到 66% 的注入事實衝突——為最佳基線（14%）的 4.7 倍——同時以雜湊加速檢索將平均搜尋延遲維持在每題 0.58 秒。

Submission history

From: Xinyang Guo [view email]
[v1] Fri, 15 May 2026 02:21:45 UTC (1,469 KB)