总览 / 概念 / D-Mem: 双过程记忆系统
↗ 源 Markdown
概念
memory agent architecture long-term
创建2026-04-17
更新2026-04-17
阅读量级2 分钟
来源2603.18631
概念导读

增量记忆处理（如 mem0）存在 有损抽象 (lossy abstraction) 问题：

  1. 核心问题
  2. 方法
  3. 三组件架构
  4. Mem0*: System 1 快速检索基线
  5. Quality Gating: 元认知门控（核心创新）
  6. Full Deliberation: System 2 深度审议
  7. 结果
  8. 意义

D-Mem: Dual-Process Memory System for LLM Agents

核心问题

增量记忆处理（如 mem0）存在 有损抽象 (lossy abstraction) 问题： 查询无关的压缩会丢失微妙的时间逻辑、多跳依赖和上下文细节。 而全面处理原始历史（如 GAM, E-mem）的计算开销巨大，不区分查询复杂度。

D-Mem 受 Kahneman 双过程理论（System 1/System 2）启发， 实现快速直觉检索 + 深度审议推理的动态路由。

方法

三组件架构

Query → Mem0* (System 1) → Quality Gate → [通过] → Answer
                              ↓ [失败]
                         Full Deliberation (System 2) → Answer

1. Mem0*: System 1 快速检索基线

基于 mem0 架构的增强版： - Extraction Phase: 双上下文输入——top-10 相似记忆 + 近 10 条消息 - Update Phase: Top-5 相似历史记忆 + cosine > 0.8 严格过滤 - 四操作：ADD / UPDATE / DELETE / NOOP - 查询时: 检索 top-30 + relevance filtering → 生成初始答案

2. Quality Gating: 元认知门控（核心创新）

多维度质量评估，三轴 pass/fail 判定：

维度 评估内容
Relevance 答案是否与问题相关
Faithfulness & Consistency 是否忠实于检索到的记忆
Completeness 是否完整回答了问题

任一维度不满足 → 触发 System 2 fallback。

对比其他门控策略（Majority Voting, Consensus），Quality Gating 最有效。

3. Full Deliberation: System 2 深度审议

直接处理完整原始对话历史，绕过压缩记忆：

  1. Chunked Fact Extraction: 60 条消息/chunk，LLM 提取 query-relevant facts + 0-10 相关性评分
  2. Multi-stage Filtering: 严格过滤噪声 facts
  3. Answer Generation: 基于 filtered facts 生成高保真答案

逐块处理有效缓解 Lost-in-the-Middle 问题。

结果

locomo-benchmark (GPT-4o-mini):

方法 F1 备注
Mem0* (System 1 only) 51.2 快速但有损
Full Deliberation (System 2 only) 55.3 高保真但昂贵（10× tokens）
Quality Gating 53.5 恢复 96.7% System 2 性能，成本大幅降低
  • Quality Gating 触发 fallback 约 30-40% 的查询
  • 在 RealTalk benchmark 上也表现一致

意义

  • 双过程认知模型首次应用于 agent 记忆: 将认知科学的 System 1/2 框架工程化
  • 自适应计算: 简单查询走快速路径，复杂查询触发深度审议，实现认知经济
  • 有损抽象问题的新解法: 不放弃压缩检索，而是用 fallback 机制弥补其不足
  • Full Deliberation 作为上界: 证明即使用尽原始历史，F1 也仅 55.3——未来需要 超越显式事实提取，捕捉隐式跨历史信息
  • 局限: Quality Gating 本身消耗额外 LLM 调用；系统复杂度高于单一策略