跳转至

Goal-Mem: Goal-Oriented Reasoning for RAG-based Memory in Conversational Agentic LLM Systems

论文基本信息

  • 标题: Goal-Mem: Goal-Oriented Reasoning for RAG-based Memory in Conversational Agentic LLM Systems
  • arXiv ID: 2605.12213
  • 发表日期: 2026-05-12
  • 作者: Jiazhou Liang, Armin Toroghi, Yifan Simon Liu
  • 方向: Agent Memory Retrieval / RAG-based Memory
  • 类别: cs.AI

摘要

基于 LLM 的对话智能体因有限上下文而在长时域保持一致行为方面存在困难。RAG 方案通过在外部记忆模块存储交互并进行检索来克服这一限制，但其回答挑战性问题（如多跳、常识）的能力最终取决于智能体对检索信息进行推理的能力。

现有方法基于原始用户话语的语义相似度检索记忆，缺乏对缺失中间事实的显式推理，常返回无关或不足以支撑推理的证据。

本文提出 Goal-Mem，一个面向 RAG 记忆的目标推理框架，从用户话语作为目标执行显式后向链式推理。Goal-Mem 不是从检索上下文逐步扩展，而是将每个目标分解为原子子目标，执行针对性记忆检索以满足每个子目标，并迭代识别何时需要从记忆检索哪些信息。

论文将这一过程形式化为 自然语言逻辑（Natural Language Logic）——一种结合 FOL 可验证性与自然语言表达力的逻辑系统。在两个数据集上与 9 个强记忆基线对比，Goal-Mem 在需要多跳推理和隐式推理的任务上持续提升性能。

核心贡献

  1. Goal-Mem 框架：后向链式目标分解 → 针对性记忆检索 → 迭代子目标解决
  2. 自然语言逻辑形式化：兼容 FOL 验证性与 NL 表达力的推理系统
  3. 多跳推理改进：对需要隐式中间步骤的复杂查询效果显著
  4. 通用性：可叠加于现有 RAG 记忆系统之上

为什么重要

RAG 记忆的常见问题是"检索与推理脱节"——只做语义相似度匹配而不理解回答问题真正需要什么。Goal-Mem 引入目标导向推理，让记忆检索真正服务于下游任务。

与移动端/端侧相关性

  • 端侧对话智能体需要在有限上下文内做高质量记忆检索
  • Goal-Mem 的目标分解机制对移动端多跳推理有潜在价值
  • 可叠加于轻量 RAG 系统，适合端侧资源受限环境

参考文献

  • 原文: https://arxiv.org/abs/2605.12213