Memanto: Typed Semantic Memory for LLM Agents¶

论文基本信息¶

作者: Jinwei Ren, et al.
arXiv: https://arxiv.org/abs/2604.22085
领域: cs.AI, cs.CL

摘要¶

Memanto 提出为 LLM Agent 构建类型化语义记忆系统。现有 Agent 记忆通常是无类型的文本集合，缺乏结构化的语义组织，导致检索效率和可解释性受限。Memanto 引入类型化语义记忆，其中每个记忆条目都有显式类型标注（实体、事件、动作、信念等），支持类型感知的检索和推理。类型系统使 Agent 能够更高效地查询和推理记忆，支持"找所有关于 X 的信念"这类结构化查询。

核心贡献¶

Typed Memory Architecture: 首个为 LLM Agent 设计的类型化语义记忆架构
Semantic Type System: 定义实体、事件、动作、信念等记忆类型
Type-aware Retrieval: 支持类型过滤的结构化检索
Memory Type Inference: 自动推断新记忆的类型归属
可解释性提升: 类型化使记忆推理过程更可解释

研究背景与问题¶

文本型记忆缺乏语义结构，导致检索时难以精确过滤，推理时缺乏类型约束。Agent 记忆应该是"可推理的知识库"而非"文本的集合"。

核心方法¶

Memory Type Schema: 定义记忆类型的层级结构
Type-annotated Memory Store: 存储时即标注类型
Type-aware Retriever: 检索时支持类型过滤和类型约束推理
LLM-based Type Inference: 用 LLM 自动推断新记忆的类型
Type-guided Reasoning: 在推理时利用类型信息指导注意力分配

为什么重要¶

Memanto 将结构化知识图谱的思想引入 Agent 记忆，使记忆从"文本集合"进化为"可推理的类型化知识库"。这代表了 Agent 记忆系统的重要发展方向。

与移动端/端侧相关性¶

高效类型过滤: 类型化使端侧检索更高效，减少不必要的记忆加载
结构化推理: 类型约束使移动端推理更高效
可解释记忆: 移动端调试需要可解释的记忆系统
隐私保护: 类型化使选择性记忆访问控制更精细