跳转至

PRISM: Pareto-Efficient Retrieval over Intent-Aware Structured Memory for Long-Horizon Agents

论文基本信息

  • 标题: PRISM: Pareto-Efficient Retrieval over Intent-Aware Structured Memory for Long-Horizon Agents
  • arXiv ID: 2605.12260
  • 发表日期: 2026-05-12
  • 作者: Jingyi Peng, Zhongwei Wan, Weiting Liu
  • 方向: Agent Memory Retrieval / Structured Memory
  • 类别: cs.CL

摘要

长时域语言智能体积累对话历史的速度远超固定上下文窗口容量，记忆管理对答案准确率和服务成本都至关重要。现有方法要么扩展上下文窗口而不解决检索质量问题，要么在摄入时做重提取（高 token 成本），要么依赖启发式图遍历，在准确率和效率上都留有遗憾。

本文提出 PRISM，一个训练自由的检索侧框架，将长时域记忆视为图结构记忆上的联合检索-压缩问题。PRISM 组合四个正交推理时组件：

  1. Hierarchical Bundle Search：在类型化关系路径上进行分层束搜索
  2. Query-Sensitive Edge Costing：与检测到的查询意图对齐遍历成本
  3. Evidence Compression：将候选束压缩为紧凑答案上下文
  4. Adaptive Intent Routing：大多数查询路由通过零-LLM 层

通过将检索形式化为类型化路径模板上的最小成本选择，PRISM 在严格上下文预算下呈现正确证据，无需微调或修改摄入流水线。LoCoMo 基准实验表明，PRISM 在小得多的上下文预算下，比所有同类协议基线提供更高的 LLM-judge 准确率。

核心贡献

  1. PRISM 框架：联合检索-压缩，解决准确率与效率的权衡
  2. 四组件正交设计：分层搜索 + 意图感知成本 + 证据压缩 + 自适应路由
  3. 零微调：无需训练或修改上游摄入流程，部署友好
  4. Pareto 最优：占据准确率-上下文-成本前沿的空缺区域

为什么重要

记忆检索的核心矛盾是：全面检索成本高、经济检索质量差。PRISM 通过解耦检索（结构化图遍历）和压缩（LLM 端），在严格上下文预算下实现高效高质量答案。

与移动端/端侧相关性

  • 端侧智能体需要在有限上下文窗口内做记忆检索
  • 零微调、推理时组件设计，适合资源受限的端侧部署
  • 自适应路由让简单查询绕过 LLM，降低端侧计算负载

参考文献

  • 原文: https://arxiv.org/abs/2605.12260