---
title: "SimpleMem: Efficient Lifelong Memory for LLM Agents"
title_zh: "SimpleMem：面向LLM智能体的高效终身记忆框架"
arxiv_id: "2601.02553"
paper_type: "method"
source_kind: "clean"
raw_path: "raw/papers/2026/01/2601.02553.md"
generated: "2026-05-11"
model: "LongCat-Flash-Chat"
quality: "ok"
---

# SimpleMem：面向LLM智能体的高效终身记忆框架

## 一句话定位

提出SimpleMem，一种基于语义无损压缩的三阶段记忆框架，通过结构化压缩、在线语义合成和意图感知检索规划，在长上下文交互中实现高信息密度与低推理开销的平衡。

## 小学生也能听懂

这篇论文发明了一种叫SimpleMem的记忆方法，就像给AI大脑装了个聪明的小本子，能自动把重要信息压缩整理、快速查找，让AI在聊天时记得更牢、用得更快，还省内存。

## 为什么值得记录

- 解决了现有LLM记忆系统在高冗余上下文或高计算成本之间的权衡问题
- 在LoCoMo和LongMemEval-S基准上显著优于Mem0、LightMem等主流方法，F1提升达26.4%
- 推理时token消耗降低30倍，适合资源受限的实际部署场景
- 在小型模型（如1.5B参数）上也能通过高效记忆机制超越更大模型的baseline表现

## 核心方法

- 采用三阶段流水线：(1) 语义结构化压缩：使用LLM作为语义门控，过滤低信息量对话片段，并将有效内容转化为上下文无关的原子记忆单元；(2) 在线语义合成：在写入阶段即时合并相关记忆片段为高层抽象表示，减少冗余；(3) 意图感知检索规划：动态推断查询复杂度，生成多视图（语义、词汇、符号）检索计划，并行查询并去重融合结果
- 记忆单元通过三重索引组织：稠密向量（Qwen3-embedding-0.6b）、稀疏BM25索引、结构化元数据（时间戳、实体类型等）
- 使用滑动窗口（W=20）处理对话流，窗口重叠25%以保留上下文连续性
- 检索深度k自适应调整（范围3–20），避免固定数量检索导致的召回失败或token浪费

## 关键结果

- 在LoCoMo基准上，SimpleMem平均F1达43.24（GPT-4.1-mini），优于Mem0（34.20）和完整上下文基线（18.70）
- 在LongMemEval-S上，SimpleMem平均准确率76.87%（gpt-4.1-mini），显著高于LightMem（68.67%）和Mem0（59.81%）
- token消耗仅531–583/查询，比完整上下文方法（~16,900）节省约30倍，比Mem0节省40–50%
- 在Qwen2.5-1.5b上，SimpleMem平均F1为25.23，优于同模型Mem0（23.77）及更大模型Qwen3-1.7b+Mem0（21.19）
- 构建速度达92.6秒/样本，比Mem0快14倍，比A-Mem快50倍以上

## 局限与风险

- 依赖LLM进行语义门控和检索规划，可能引入模型偏见或幻觉风险
- 未在超长跨会话（>1000轮）场景下验证稳定性
- 多视图索引需维护多个数据库组件，增加工程复杂度
- 当前实现基于闭源模型（如GPT-4.1-mini），开源模型性能可能受限

## 适合沉淀的概念

`semantic-structured-compression`, `online-semantic-synthesis`, `intent-aware-retrieval-planning`, `multi-view-memory-indexing`, `lifelong-memory-for-llm-agents`, `context-inflation-mitigation`, `adaptive-retrieval-depth`, `complementary-learning-systems-theory`

## 阅读注意

- 关注三阶段如何协同降低信息冗余：压缩→合成→精准检索
- 注意Table 6中k=3时性能已接近饱和，说明原子记忆单元信息密度高
- Appendix A提供了完整prompt模板，可用于复现或迁移到其他模型
- 实验覆盖从1.5B到8B多种模型规模，验证了方法鲁棒性
- LongMemEval-S使用LLM-as-judge评估，需注意主观偏差

## 质量说明

- 采用来源：`clean`，`papers/2026/01/2601.02553.md`
- 生成模型：`LongCat-Flash-Chat`
- 源材料判断：论文提供了完整的实验设置、超参数配置、系统提示词和多个基准测试结果，数据充分且可复现性强。