TrawMem
一种重新定义智能体记忆系统的框架，主张记忆不应仅按与查询的语义相关性检索，而应按其在任务中的角色和关系被选择与组织，通过局部线程和联合选择机制实现。
时间轴 (近 90 天)
TrawMem提出了“任务导向的角色自适应工作区”框架，主张记忆应按其在任务中的角色和关系被选择与组织，而非仅按相关性检索。
TrawMem将记忆的选取单位从单条片段变为角色组合，并将记忆的组织方式从平铺列表变为结构化工作区。
TrawMem将交互历史组织成局部线程（local threads），即按交互连续性切分成有内聚性的片段。
TrawMem构建任务导向工作区，为记忆分配角色并进行互补记忆的联合选择（joint selection）。
论文在LoCoMo和MemGallery两个基准上使用四个开源与闭源骨干模型进行评测，macro-F1提升2.23到3.14个点。
在LoCoMo基准上，TrawMem相对SimpleMem的LLM-Judge得分提升：Qwen3.5-9B上4.07个百分点，DeepSeek-V4-Flash上4.31个百分点。
在LoCoMo基准上，TrawMem相对SimpleMem的上下文token消耗分别减少约12.8%（Qwen3.5-9B）和5.1%（DeepSeek-V4-Flash）。
现有摘要仅覆盖两个基准和四个骨干模型，尚未涉及更长的交互历史、多轮工具调用等更复杂的智能体场景。
TrawMem属于对记忆系统的结构性改造，而非在检索器上加一个重排序模块；它改变记忆被选择和组织的粒度与依据。
全部知识事实 (9)
TrawMem提出了“任务导向的角色自适应工作区”框架，主张记忆应按其在任务中的角色和关系被选择与组织，而非仅按相关性检索。
50%待验证TrawMem将记忆的选取单位从单条片段变为角色组合，并将记忆的组织方式从平铺列表变为结构化工作区。
50%待验证TrawMem将交互历史组织成局部线程（local threads），即按交互连续性切分成有内聚性的片段。
50%待验证TrawMem构建任务导向工作区，为记忆分配角色并进行互补记忆的联合选择（joint selection）。
50%待验证论文在LoCoMo和MemGallery两个基准上使用四个开源与闭源骨干模型进行评测，macro-F1提升2.23到3.14个点。
50%待验证在LoCoMo基准上，TrawMem相对SimpleMem的LLM-Judge得分提升：Qwen3.5-9B上4.07个百分点，DeepSeek-V4-Flash上4.31个百分点。
50%待验证在LoCoMo基准上，TrawMem相对SimpleMem的上下文token消耗分别减少约12.8%（Qwen3.5-9B）和5.1%（DeepSeek-V4-Flash）。
50%待验证现有摘要仅覆盖两个基准和四个骨干模型，尚未涉及更长的交互历史、多轮工具调用等更复杂的智能体场景。
50%待验证TrawMem属于对记忆系统的结构性改造，而非在检索器上加一个重排序模块；它改变记忆被选择和组织的粒度与依据。
50%