68 lines
2.0 KiB
Markdown
68 lines
2.0 KiB
Markdown
---
|
||
title: "Memory Indexing-Retrieval-Reading Framework"
|
||
created: 2026-06-25
|
||
updated: 2026-06-25
|
||
type: concept
|
||
tags: ["memory", "architecture", "rag", "framework"]
|
||
sources:
|
||
- "[[longmem-eval-2025]]"
|
||
---
|
||
|
||
# Memory Indexing-Retrieval-Reading Framework
|
||
|
||
LongMemEval 提出的统一记忆设计框架，将长期记忆系统分解为三个阶段 × 四个控制点。
|
||
|
||
## 三阶段流水线
|
||
|
||
```
|
||
会话输入
|
||
↓
|
||
[Indexing] → 存储结构化的记忆表示
|
||
↓
|
||
[Retrieval] → 根据查询召回相关记忆
|
||
↓
|
||
[Reading] → 基于检索结果生成准确答案
|
||
```
|
||
|
||
## 四个控制点
|
||
|
||
| 控制点 | 决策 | 优化方向 |
|
||
|--------|------|---------|
|
||
| **Value** | 存储什么粒度？ | Session vs Round vs User Fact |
|
||
| **Key** | 用什么索引？ | 原文 vs [[fact-augmented-key-expansion|事实增强]] |
|
||
| **Query** | 如何构造查询？ | 原文 vs [[time-aware-query-expansion|时间感知展开]] |
|
||
| **Reading Strategy** | 如何利用检索结果？ | 直接 vs Chain-of-Note + 结构化格式 |
|
||
|
||
## 实验发现的优化路径
|
||
|
||
### Value：Round 是最优粒度
|
||
- Session 级别：信息损失大，无法精确回溯
|
||
- Round 级别：每个用户消息为独立单元，最优平衡
|
||
- User Fact 级别：压缩导致信息损失，总体精度反降（但多会话推理提升）
|
||
|
||
### Key：事实增强展开
|
||
用 LLM 从对话中提取结构化事实作为索引键 → 召回 +9.4%
|
||
|
||
### Query：时间感知展开
|
||
关联时间戳 + 缩小搜索范围 → 时间推理召回 +6.8-11.3%
|
||
|
||
### Reading：Chain-of-Note + 结构化
|
||
即使完美召回 ≠ 完美利用 → +10 个绝对百分点
|
||
|
||
## 与 Atlas 管线的映射
|
||
|
||
```
|
||
LongMemEval Atlas
|
||
─────────── ─────
|
||
Indexing → write_memory (episodic)
|
||
+ Key展开 → consolidation (→semantic)
|
||
Retrieval → recall_memory (BM25+dense)
|
||
Reading → LLM 利用检索结果生成回复
|
||
```
|
||
|
||
## 参考
|
||
- [[longmem-eval-2025]]
|
||
- [[fact-augmented-key-expansion]]
|
||
- [[time-aware-query-expansion]]
|
||
- [[atlas-memory-system]]
|