MemFit 提出无 LLM 写入与检索的长期智能体记忆系统
MemFit 提出一种无 LLM 写入与检索的长期智能体记忆系统，并在三个基准上报告 SOTA 与数倍构建时间与成本下降。 现有长期记忆系统常依赖 LLM 智能体组织和整合记忆，导致写操作昂贵且低效；MemFit 改为把每轮对话原文近即时追加到 append-only store，用 segment summaries 索引，而不是通过压缩丢弃表面细节或替换原始轮次。 检索侧使用无 LLM 的多路径检索策略，结合词汇与语义信号和 cross-encoder reranking，对 caption-augmented episodes 做重排，覆盖文本与多模态设置。 事实是论文报告了上述机制和 LoCoMo、MemGallery、LongMemEval-S 上的 SOTA 与数倍构建时间、成本下降，并称其提供可扩展、高效的 persistent agentic memory；推断是它可能降低高频对话中的调用成本；猜测是真实长周期 Agent 场景效果仍需完整论文验证。
推荐理由：它把长期记忆写入从大模型调用改为无大模型调用的追加索引，能校正对智能体记忆成本、延迟、可扩展性与可用性的判断。