跳转至

HLTM: LinkedIn Hiring Agent Temporal Memory

论文基本信息

  • 作者: LinkedIn AI Research 团队
  • arXiv: https://arxiv.org/abs/2604.26197
  • 领域: cs.AI, cs.HC

摘要

HLTM 是 LinkedIn 招聘 Agent 的时序记忆系统，用于在长周期招聘流程中维护候选人和招聘经理的交互历史。系统处理时间跨度从几天到几个月的招聘对话，支持跨时间窗口的信息检索和推理。时序记忆使 Agent 能够记住"上次面试中候选人提到他们希望在 3 个月后换工作"这类时序约束，并据此调整沟通策略。

核心贡献

  1. Temporal Hiring Memory: 首个面向招聘场景的时序 Agent 记忆系统
  2. Long-horizon Context: 支持跨越数月招聘周期的长程上下文维护
  3. Temporal Constraint Reasoning: 时序约束推理，支持"X 个月后"这类时间参考
  4. Multi-party Memory: 支持候选人和招聘经理双方的多方记忆
  5. Production Scale: 在 LinkedIn 生产环境中大规模部署验证

研究背景与问题

招聘是一个跨越数月的长周期流程，涉及多次面试、反馈和沟通。Agent 需要在这一长周期中维护一致的上下文，避免重复提问或遗忘关键信息。

核心方法

  1. Hierarchical Temporal Memory: 分层时序记忆，支持事件、会话、项目等不同时间粒度
  2. Temporal Indexing: 时间索引支持按时间段检索记忆
  3. Reference Resolution: 解析和追踪"下次会议""候选人提到的 3 个月后"等时间引用
  4. Privacy-preserving Storage: 候选人数据的隐私保护存储

为什么重要

HLTM 展示了时序记忆在真实生产环境（LinkedIn 招聘）中的大规模应用。对需要长周期记忆的 Agent 系统有重要参考价值。

与移动端/端侧相关性

  1. 长周期移动场景: 移动端 Agent（如个人助手）需要维护跨周/月的事件记忆
  2. 时序约束推理: 支持移动端任务的时序规划
  3. 多方记忆: 支持多参与者场景的记忆管理
  4. 生产级验证: 真实大规模部署验证了系统的可扩展性