研究论文
ProMem：为 LLM 智能体引入主动式记忆提取
arXiv 新论文提出 ProMem 方法，用迭代反馈循环替代静态摘要，提升 LLM 智能体记忆完整性与问答准确率。
2026.07.24 · 周五约 2 分钟阅读
一项发表于 arXiv 的研究提出了一种名为 ProMem（Proactive Memory Extraction）的记忆管理框架，旨在解决当前 LLM 智能体在长程交互中长期记忆提取的两大缺陷。该论文题为《Beyond Static Summarization: Proactive Memory Extraction for LLM Agents》，作者为 Wei Hu 等。
现有方案的两大局限
研究团队指出，当前主流方案普遍依赖对对话历史的静态摘要，其核心问题可归纳为两点：
- 「前瞻性」盲区：摘要发生在任务到来之前，属于「前馈」式处理，无法预知未来任务所需的关键细节，容易遗漏重要信息。
- 「一次性」提取缺乏校验：提取过程通常一次性完成，缺乏反馈回路来核验事实准确性，导致信息损失随时间累积。
团队援引「循环处理理论」（recurrent processing theory）作为上述分析的认知科学依据。
ProMem 的核心思路
与静态摘要不同，ProMem 将记忆提取建模为一个迭代式认知过程，引入了循环反馈机制：智能体在提取记忆后，会通过**自我提问（self-questioning）**主动回溯对话历史，探查是否存在遗漏或错误，并据此修正记忆内容。
这一机制的关键特征包括：
- 提取与校验并非一次性完成，而是形成闭环；
- 智能体可主动「追问」对话历史，弥补前馈式摘要的盲区；
- 在记忆完整性与问答准确率之间寻求更优的权衡。
实验结果与意义
论文摘要显示，ProMem 在多项指标上取得提升：
- 显著提高所提取记忆的完整性；
- 在下游问答任务上获得更高的准确率；
- 在记忆提取质量与 token 成本之间实现了更优的折中。
论文同时归类于 Computation and Language（cs.CL）与 Artificial Intelligence（cs.AI），编号为 arXiv:2601.04463，v1 版本于 2026 年 1 月 8 日提交。对于关注智能体长期记忆架构的开发者与研究者而言，该工作提供了一条不同于静态摘要的工程化路径，但其具体 benchmark 数字与适用边界仍需参考完整论文。