Human-Inspired Memory Architecture for LLM Agents

摘要¶

当前 LLM Agent 缺乏在长交互周期中管理持久记忆的原则性机制。本文提出了一种受生物启发的记忆架构，包含六种认知机制：(1) 睡眠阶段记忆巩固、(2) 干扰驱动的遗忘、(3) 记忆印痕（engram）成熟、(4) 检索时再巩固、(5) 实体知识图谱、(6) 混合多线索检索。该架构系统性地解决了朴素记忆积累的各种失效模式，并在综合测试平台上验证了各机制的有效性。

核心贡献¶

六机制认知记忆架构：首次将多种生物记忆机制统一整合到 LLM Agent 记忆系统中。
睡眠阶段巩固（Sleep-Phase Consolidation）：模仿人类睡眠期间的记忆巩固过程，周期性地将工作记忆转化为长期记忆。
干扰驱动遗忘（Interference-Based Forgetting）：当新记忆与旧记忆产生干扰时，主动遗忘冲突记忆，避免知识混淆。
记忆印痕成熟（Engram Maturation）：新形成的记忆印记需要时间成熟，成熟前的记忆更易被覆盖。
检索时再巩固（Reconsolidation Upon Retrieval）：记忆被检索时进入不稳定状态，更新后可重新巩固。
实体知识图谱：将实体及其关系显式存储，支持结构化推理。

方法详解¶

记忆类型分层：工作记忆（短期）、情景记忆（中期）、语义记忆（长期）三层架构。
巩固调度器：模仿睡眠周期，在固定间隔触发记忆巩固过程。
干扰检测器：计算新旧记忆的向量干扰度，高干扰时触发遗忘。
印痕成熟度追踪：每条记忆附带成熟度分数，未成熟记忆优先被覆盖。
再巩固触发器：记忆被访问时标记为"待更新"，后续更新后重新巩固。
混合检索：同时支持向量相似度检索和知识图谱路径检索。

为什么重要¶

当前 Agent 记忆系统大多采用简单的"增删改查"机制，缺乏生物合理性。本文首次系统性地将多种经过神经科学验证的记忆机制引入 LLM Agent，其六机制架构为构建长期运行的企业级 Agent 提供了理论基础。尤其是干扰驱动的遗忘机制，对解决 Agent 长期运行中的知识退化问题具有直接实用价值。

与移动端/端侧相关性¶

睡眠阶段设计：适合移动设备在夜间充电时执行批量记忆巩固
遗忘机制降低存储：干扰驱动遗忘避免无用记忆占用存储，适合存储受限的移动设备
知识图谱轻量化：实体知识图谱可增量构建，适合移动端资源约束
低功耗记忆更新：相比持续全量记忆更新，周期性巩固降低算力消耗
适合可穿戴设备：智能手表等需要长期记忆但算力极受限设备的理想选择

参考文献¶

Kerestecioglu, D., et al. (2026). Human-Inspired Memory Architecture for LLM Agents. arXiv:2605.08538.