RSM-full 论文:4k 预算下以 32% token 成本达全上下文 83% 质量
rohanpaul_ai · x · 2026-09-11
arXiv 论文《Compact-Memory LLM Agents via Online Max-Member Clustering and Atom-Aware Packing》提出面向长程 Agent 的紧凑记忆管线 RSM-full,解决 prompt 预算紧张时的记忆设计问题:
- 核心思路:与其优化检索,不如先组织过去——把相关记忆分组并整体保留,在严格 token 预算下胜过更复杂的检索方案。现有做法要么把旧交互塞进 prompt,要么检索孤立碎片,预算紧张时都很别扭。
- 两个设计:带余弦门控的 max-member 合并写入规则 + atom-aware 分组上下文打包器。
- 结果:在紧凑记忆基准 AMA-Bench 上,4k 预算下以 32% 的 token 成本达到全上下文 83% 的质量;四种子平均下在整个约 2.6k–5k 区间比最接近的流式聚类基线 Online K-Means 高 3.5–6.0pp(p<.001)。消融显示收益主要来自合并规则(+5.7pp)与分组打包器(+5.0pp)。
- 外部复现:在独立的长程人设记忆基准 RealMem 上也复现:显著优于 Streaming-Proto(+2.97pp)和 Budget-RAG(+0.69pp),与 BM25-RAG 大致持平。
论文地址:arXiv:2609.04915,作者 Jiahe Geng、Jinpeng Wang、Kun Yuan。
所属事件:RSM 记忆方法：4k 预算下以 32% token 达 83% 质量(3 条相关)→
「编程与Agent」频道最新
- Will DePue 呼应 OpenAI 加 API 级能力：让多智能体一次并行分发上千个小模型调用 — willdepue · 2026-10-28
- DeckWerk 新版获早期用户好评：连续数周用于真实演讲 — vincesitzmann · 2026-10-28
- Opus 5.5 剪视频可替初级剪辑师，资深剪辑师日产出翻 5 倍 — dotey · 2026-10-28
- 软件栈正为Agent重构:开发者站点、浏览器乃至编程语言都在agent-first — mobileraj · 2026-10-28
- HABIT-Bench:八种记忆系统测用户习惯推断,最佳仅33.61% — SJTU · 2026-10-28
- 「钢琴测试」思想实验：你敢坐在形式化验证过的代码下吗 — moyix · 2026-10-28