RSM-full 智能体长程记忆方案：读写分离设计在 4k 预算下达到 83% 上下文质量

研究团队提出针对长程智能体的 RSM-full 记忆管理方案，通过将记忆写入合并与读取组装解耦，在降低显存与 Token 成本的同时保持了较高的上下文利用质量。

• DAIR.AI 于 2026 年 9 月 9 日分享了该研究成果，其核心机制在于将智能体写入记忆时的合并规则与读取记忆时的内容组装相互分离。
• 在 4k Token 的有限预算限制下，RSM-full 达到了全上下文模式 83% 的质量水平，而 Token 消耗仅为全量上下文的 32%。
• 消融实验证实，写入合并规则与读取分组打包器分别带来了 5.7 点与 5.0 点的性能改进。
• 在 RealMem 长程记忆基准测试中，RSM-full 的综合表现超越了 Budget-RAG、Streaming-Proto 和 A-MEM 等基线模型，并与 BM25-RAG 相当。
• 影响/看点：读写分离的记忆管理设计意味着在严苛的 Token 预算下长程智能体仍可维持较高精度的上下文关联，其推广取决于在复杂动态任务中对突发记忆写入与实时检索开销的平衡能力。
• 资料依据：
• X：DAIR.AI (@dair_ai)（2026-09-09）：https://x.com/dair_ai/status/2097555607389896732
• arXiv（2026-09-09）：https://arxiv.org/abs/2609.05556

本内容由 AI 生成，仅供参考，请注意甄别