技术摘要：S3Mem——面向长程交互式问答的结构化时空场景 - 事件记忆

1. 问题陈述

长程交互式智能体积累了大量的轨迹历史，但经常无法回答关于早期事件的问题。本文认为，主要瓶颈并非仅仅是上下文长度，而是长期记忆的轨迹到答案接口。

现有方法通常将轨迹历史外化为纯文本块，并使用标准的检索增强生成（RAG）检索前 $k$ 个片段。虽然这种方法在短上下文场景中有效，但这种“扁平化”的方法在长程设置中因以下三个原因而失效：

1. 结构抹除：将轨迹写为扁平文本，破坏了下游推理所需的场景、事件、状态和时间结构。
2. 链条不完整检索：基于表面相似性的检索往往返回局部相关的片段，却缺乏多跳推理所需的全球链条完整性（例如，“第二次访问后两步发生了什么？”）。
3. 低效的证据暴露：答案阶段接收的是长且非结构化的片段，迫使模型自行重构证据链，这既令令令令令牌效率低下，又容易出错。

核心挑战被定义为一个情节性证据构建问题：如何在严格的令牌预算下，从智能体自身的轨迹中编写、检索并暴露正确的结构化证据。

2. 方法论：S3Mem

S3Mem 是一个结构化的场景 - 事件情节记忆框架，旨在将漫长的智能体轨迹转换为紧凑的、与查询对齐的证据链。它通过四个不同的阶段运行：

2.1 结构化场景 - 事件写入

S3Mem 不将历史扁平化为通用文本，而是将每个交互步骤（或局部片段）写为一个结构化记忆单元。

• 模式：每个单元 $m_t$ 包含特定字段：步骤索引（$t$）、动作（$a_t$）、显著对象（$O_t$）、局部事件类型（$E_t$）、关系（$R_t$）、局部状态/库存（$S_t$）、位置/空间上下文（$L_t$）以及简短的原始摘要（$u_t$）。
• 环境适应：模式随环境而变化（例如，在 Crafter 中强调空间关系，而在 ALFWorld 中强调库存和物品获取），但始终保留场景、事件、状态和时间上下文的联合表示。

2.2 锚点敏感检索

S3Mem 超越表面相似性，执行锚点敏感检索。它从问题中显式提取锚点元组 $A(q)$，包括：

• 目标步骤锚点：直接引用的步骤。
• 发生锚点：特定发生事件（例如，“第二次访问”、“上次”）。
• 状态转换锚点：关键事件，如物品获取或位置变化。

检索分两个阶段进行：

1. 初始搜索：基于文本的标准候选搜索。
2. 锚点感知重排序：候选项使用评分函数进行重新排序，该函数优先考虑具有高锚点兼容性（$s_{anchor}$）和局部链条支持（$s_{chain}$）的单元，而不仅仅是词汇相似性（$s_{text}$）。这确保了围绕特定锚点检索完整的证据链。

2.3 令牌预算感知的证据接口

为了解决效率问题，S3Mem 在固定的令牌预算 $B$ 下构建紧凑的证据接口。

• 打包策略：贪婪打包算法根据优先级选择单元：(1) 携带锚点的步骤，(2) 支持时间偏移或状态转换所需的最小局部邻域，以及 (3) 缺失的状态事实。
• 差异化：与通用摘要不同，此阶段不进行任意压缩；它保留决定性的证据链，同时丢弃链条冗余或链条无关的单元。

2.4 答案时层

系统将此紧凑的结构化证据集暴露给冻结的答案时层。本文在“当前冻结答案时协议”下对此进行评估，将 S3Mem 视为结构化记忆接口，而非完整的端到端智能体操作系统。

3. 主要贡献

1. 方法论：引入 S3Mem，这是一个统一的框架，专为长程交互式问答设计，涵盖结构化写入、锚点敏感检索和预算感知的证据暴露。
2. 实证：在四个环境（Crafter, Jericho, ScienceWorld, ALFWorld）中建立了更强的准确率 - 效率前沿。S3Mem 在使用显著更少的证据令牌的情况下，始终优于 Vanilla RAG 和 Graph-NoReader。
3. 解释性：一个有界的主张，即性能提升源于结构化证据 harness（写入 + 检索 + 打包），而非通用记忆存储或单纯增加上下文长度。这一点通过广泛的对照实验得到验证，包括近期基线（A-MEM, MemoryOS, LightMem）、写入侧消融实验以及通用压缩检查。

4. 实验结果

评估涵盖了内部头条环境（Crafter, Jericho）和家族外环境（ScienceWorld, ALFWorld）。

• 准确率与效率：S3Mem 实现了比 Vanilla RAG 和 Graph-NoReader 更高的精确匹配（EM）分数，同时消耗的证令牌数量大幅减少。
  • 在 Crafter 上，S3Mem（EM $\approx$ 0.72）优于 Graph-NoReader（EM $\approx$ 0.70），使用的令牌约为 140 个，而后者约为 1600+ 个。
  • 在 ALFWorld 上，S3Mem 在所有基线上均显示出显著的准确率和效率提升。
  • 在 ScienceWorld 上，S3Mem 达到了与 Graph-NoReader 相当的准确率，但使用的令牌仅为其一小部分，证明了效率的泛化性。
• 与近期基线的比较：A-MEM、MemoryOS 和 LightMem 的适配版本在某些设置下优于 Vanilla RAG，但未能达到 S3Mem 的整体前沿水平。
• 消融研究：
  • 写入侧：完整的场景 - 事件写入显著优于仅使用事件、对象或纯文本块的变体，证实了联合结构表示的必要性。
  • 锚点敏感性：移除锚点恢复（"no_seed"）导致最大的性能下降，表明锚点检索是准确性的核心驱动力。
  • 通用压缩：受控的 RTK 风格压缩（通用文本缩减）无法保留证据链，导致在复杂家族（多跳、时间偏移）上的准确率崩溃，即使令牌成本相似。
• 鲁棒性：该方法在 Crafter 的四种不同 rollout 执行器家族中保持鲁棒，与高成本基线相比，维持了低令牌、高准确率的模式。
• 家族外迁移：在 ATM-Bench（个人记忆档案）上，S3Mem 在令牌使用量显著降低的情况下仍保持竞争力，尽管其排名不如在交互式环境中那样占主导地位。

5. 主张与意义

本文对其主张保持适度且有界的范围：

• 主要主张：在当前的冻结答案时协议下，结构化写入和锚点敏感证据路由为长程交互式问答提供了比通用记忆接口（纯文本 RAG、仅图检索或通用压缩）更强的准确率 - 效率前沿。
• 局限性与边界：
  • 本文不声称具有完全的协议独立性。公平性分析表明，收益与答案时层耦合；“通用”回答者会使所有方法的性能崩溃，而“黄金执行器”并不能完美复现排名。
  • 该贡献被框架化为结构化证据 harness，而非通用智能体操作系统。其目标是改进情节性问答的轨迹到答案接口，而非解决所有智能体记忆挑战。
  • 剩余的最强非通用性来源在于答案时消耗，而非记忆表示本身。

结论：本文提出，对于长程智能体而言，记忆的关键不在于暴露更多的历史，而在于暴露正确的结构化证据。S3Mem 证明，将轨迹转换为结构化场景 - 事件单元，并通过锚点敏感逻辑进行检索，能在推理准确性和令牌效率之间实现更优越的权衡。