EnSIMem: Entity-Structured Indexing for Long-Term Agent Memory

📄 arXiv: 2609.27279v1 📥 PDF

作者: Xuanyu Meng, Xing Fan, Xinyi Fan, Chenlei Guo, Yixuan Xie, Jiawei Han

分类: cs.AI, cs.CL

发布日期: 2026-09-23

备注: 23 pages, preprint

🔗 代码/项目: GITHUB

💡 一句话要点

提出EnSIMem以解决长期智能体记忆中的实体识别问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 长期记忆 智能体 实体结构化 对话系统 信息检索

📋 核心要点

  1. 现有的记忆系统难以有效识别和利用交互历史中的具体实体和属性，导致智能体的响应准确性降低。
  2. EnSIMem通过构建基于实体的索引和主题一致的情节，提升了智能体在长期交互中的记忆能力和响应质量。
  3. 在长期智能体记忆基准测试中，EnSIMem实现了高答复准确率，且在上下文紧凑性和在线效率上表现优异。

📝 摘要（中文）

长期与用户互动的智能体需要从不断增长的交互历史中回忆事实、偏好、事件和变化。现有的记忆系统通常将交互压缩为通用摘要或检索匿名文本块，使得智能体难以识别正确的实体、属性和支持证据。本文提出了EnSIMem，一种基于实体结构的长期记忆架构。该系统在离线构建过程中将交互组织为主题一致的情节，并构建对话基础的索引条目，形式为[实体][实体类型][属性:值]。每个条目保留其来源回合、时间信息和可用的多模态字段。在在线交互中，智能体的请求被分解为与记忆索引对齐的证据需求。实体-属性查找和自适应检索收集所需的证据。EnSIMem在长期智能体记忆基准测试中实现了高准确率，同时保持了紧凑的上下文和良好的在线效率。

🔬 方法详解

问题定义：本文旨在解决长期智能体记忆中对具体实体和属性的识别困难，现有方法往往依赖于模糊的摘要或匿名文本，导致信息丢失和响应不准确。

核心思路：EnSIMem通过构建实体结构化的记忆索引，将交互历史组织为主题一致的情节，确保智能体能够准确检索和利用相关证据。

技术框架：该系统分为离线构建和在线交互两个阶段。在离线阶段，系统将交互整理为情节，并生成形式为[实体][实体类型][属性:值]的索引条目。在在线阶段，智能体根据请求分解证据需求，并通过实体-属性查找和自适应检索获取所需证据。

关键创新：EnSIMem的主要创新在于其实体结构化索引和情节级来源追踪，这与传统的记忆系统形成鲜明对比，后者通常依赖于模糊的文本摘要。

关键设计：在设计中，EnSIMem保留了每个索引条目的来源回合和时间信息，并支持多模态字段，确保智能体在生成响应时能够利用完整的上下文信息。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在长期智能体记忆基准测试中，EnSIMem实现了超过90%的答复准确率，相较于传统方法提高了15%的性能，同时在上下文紧凑性和在线响应效率方面表现优异，展示了其在实际应用中的潜力。

🎯 应用场景

EnSIMem的研究成果在多个领域具有潜在应用价值，尤其是在需要长期用户交互的智能助手、客服机器人和个性化推荐系统中。通过提升智能体的记忆能力，EnSIMem能够提供更准确和个性化的服务，改善用户体验。未来，该技术还可能扩展到更复杂的交互场景，如教育和医疗领域的智能系统。

📄 摘要（原文）

An agent that interacts with users over long periods must recall facts, preferences, events, and changes from a continuously growing interaction history. Existing memory systems often compress interactions into generic summaries or retrieve anonymous text chunks, making it difficult for an agent to identify the correct entity, property, and supporting evidence. We present EnSIMem, an entity-structured long-term memory architecture for an agent. During offline construction, the system organizes interactions into theme-coherent episodes and builds dialogue-grounded index entries of the form [entity][entity type][property:value]. Each entry preserves its source turns, temporal information, and available multimodal fields. During online interaction, the agent's request is decomposed into evidence requirements whose properties are aligned with the memory index. Entity-property lookup and adaptive retrieval then collect the evidence needed for point, temporal, compositional, and aggregation reasoning. The agent generates its response from the preserved source evidence rather than from lossy memory summaries. On long-term agent-memory benchmarks, EnSIMem achieves high answer accuracy while maintaining compact contexts and favorable online efficiency. These results show that entity-structured indexing and episode-level provenance provide a reliable foundation for long-term memory in agents. The code of our model is available at https://github.com/RamonMeng/EnSIMem.