MINDSET: Energy-based Schema Evolution for Long Conversational Agent Memory

📄 arXiv: 2610.08586v1 📥 PDF

作者: Sujato Dutta, Sreekruthy Tummala, Shashank Vanga, Ayushmi Pavani

分类: cs.AI

发布日期: 2026-10-06

💡 一句话要点

提出MINDSET以解决长对话代理记忆演变问题

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

关键词: 长对话代理 记忆管理 状态转移 信息检索 智能助手 动态适应

📋 核心要点

  1. 现有的长对话代理在记忆管理上存在挑战，无法有效区分过时信息与当前知识，导致信息检索效率低下。
  2. MINDSET通过将对话存储为不可变事件，并利用最小能量状态转移来组织版本化模式，从而实现动态适应和高效记忆管理。
  3. 实验结果表明，MINDSET在850个问题的评估中表现最佳，F1得分和检索排名显著优于第二名方法LightMem，且在MemoryAgentBench上也取得了最高分。

📝 摘要（中文）

长对话代理在日常生活中变得至关重要，它们需要记住过去的对话内容，以便高效完成任务。然而，指令和上下文会随时间变化，因此代理必须能够适应。MINDSET是一种记忆控制器，通过最小能量状态转移将对话存储为不可变的事件，并将其组织成版本化的模式。该系统在多个记忆系统中表现出色，显著提高了信息检索的效果。

🔬 方法详解

问题定义：论文旨在解决长对话代理在记忆管理中的不足，尤其是如何有效区分和管理过时信息与当前知识，以提高信息检索效率。现有方法往往无法适应指令和上下文的变化，导致用户需要重复输入信息。

核心思路：MINDSET的核心思路是将对话存储为不可变的事件，并通过最小能量状态转移来组织这些事件为版本化模式。这样设计的目的是为了在保持记忆的同时，允许系统根据新的输入动态调整和更新记忆内容。

技术框架：MINDSET的整体架构包括一个记忆控制器，负责接收新的对话事件，并根据当前的记忆状态决定如何处理这些事件。主要模块包括事件存储、模式组织和状态转移决策。

关键创新：MINDSET的最大创新在于其通过最小能量状态转移来管理记忆的演变，这与现有方法的持续总结方式本质上不同。该方法能够有效避免信息的重复和矛盾，保持记忆的稳定性。

关键设计：在设计上，MINDSET引入了控制碎片化和模式感知分配的机制，这些设计显著提升了答案质量。具体的参数设置和损失函数的选择也经过精心调整，以确保系统在动态环境中能够高效运行。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

MINDSET在850个问题的评估中取得了最高的LoCoMo答案F1得分，并在检索排名（Recall@8、MRR和nDCG@8）上显著优于第二名方法LightMem（p<0.01）。在MemoryAgentBench上也获得了最高得分，尽管相对差异较小。实验结果表明，控制碎片化和模式感知分配是提升答案质量的主要因素。

🎯 应用场景

MINDSET的研究成果在长对话系统、智能助手和客户服务等领域具有广泛的应用潜力。通过有效管理记忆，代理能够更好地理解用户需求，提供个性化服务，提升用户体验。未来，该技术还可能扩展到其他需要长期记忆管理的智能系统中。

📄 摘要（原文）

Long conversational agents have become essential in our daily lives. They must remember what was said long back in order to help us efficiently complete a task without needing the user to repeat instructions and context repeatedly. However, the main issue is that instructions and context change over time and so the agents must be able to adapt accordingly. A useful memory system should preserve both current and historical states, distinguish stale information from active knowledge, retrieve evidence appropriate to the query and avoid repeatedly invoking a large language model to rewrite prior interactions. We introduce MINDSET, a memory controller that stores a conversation as immutable episodes and organizes them into versioned schemas through minimum-energy state transitions. Each incoming episode may reinforce, supersede, split or create a schema. The transition decision balances representation distortion, contradiction, historical damage, fragmentation and internal inconsistency, while hysteresis prevents isolated contradictions from prematurely rewriting stable memory. We evaluate MINDSET against 5 memory systems on a reproducible sample of 850 questions (700 LoCoMo + 150 MemoryAgentBench). MINDSET obtains the highest observed LoCoMo answer F1 while significantly improving retrieval ranking (Recall@8, MRR and nDCG@8) over the second best method LightMem (p<0.01 after Holm correction). It obtains the highest observed scores on MemoryAgentBench although the relative difference is low. Ablations identify controlled fragmentation and schema-aware assignment as the largest contributors to answer quality. Additionally, a 700-question cross-model evaluation with GLM-4.7 and Gemma-4-31B supported model independence. These results show that long-term memory can be better handled as constrained state management rather than continual summarization.