MARS: Hierarchical Belief-State Memory for Recommender — arXiv:2605.14401

摘要¶

记忆增强 LLM Agent 已推进了个性化推荐，但现有方案统一采用扁平记忆表示，将短暂信号与稳定偏好混为一谈，且均未提供记忆应该如何演化的完整生命周期管理。本文提出 MARS（Memory-Augmented Agentic Recommender System），将推荐问题建模为部分可观测问题，维持结构化的信念状态，对嘈杂行为观察进行渐进式抽象，形成短期信号层、长期偏好层和核心人格层的三层记忆架构。

核心贡献¶

层级信念状态架构：将记忆分为三层——瞬时行为（短期）、偏好模式（中期）、核心人格（长期），每层有不同的更新频率和衰减策略。
记忆生命周期管理：定义记忆的创建、更新、遗忘边界，支持记忆随用户行为动态演化。
渐进式抽象机制：从嘈杂的原始交互数据中自动提取高层偏好表示，减少噪声干扰。
信念追踪更新：基于贝叶斯更新规则，在新观察到来时更新各层记忆状态，保持记忆一致性。

为什么重要¶

推荐系统的记忆问题本质上是"什么应该记住、什么应该遗忘"的决策问题。现有方法将所有记忆平等对待，导致存储浪费和偏好漂移。MARS 的层级架构为记忆的动态管理提供了理论框架，对构建真正理解用户的个性化 Agent 具有重要启发。

与移动端/端侧的相关性¶

移动端推荐场景（音乐、新闻、购物）资源受限，层级记忆能更高效地分配存储——核心偏好持久存储，瞬时行为可快速过期。端侧推理时，三层架构支持差异化的检索策略，减少计算开销。