APDMem 用四层记忆与控制器按需下钻，在 LongMemEval 上仅访问 8% 对话即完成长上下文记忆推理
相关研究与后续进展
核心概要
该工作提出 APDMem（Agent-controlled Progressive Disclosure Memory），把对话历史组织为主题摘要、个性化关键事实、轮次级证据笔记和原始消息四层递进结构，推理时由控制器先读高层摘要、仅在需要时下钻到更细证据，并用笔记合成器把检索证据整理为面向查询的结构（合并事实、排序事件、标记矛盾），在 LongMemEval 上取得较强的长上下文记忆推理表现，同时只访问全部对话的 8%。
深度剖析
提出把渐进披露（progressive disclosure）用于记忆检索的分层长期记忆架构 APDMem，用四层递进表示替代扁平记忆库或固定检索粒度。 相对依赖扁平记忆存储或固定检索粒度的做法，该工作把对话历史显式组织为主题摘要、个性化关键事实、轮次级证据笔记、原始消息四个逐级更细的层次。 摘要以架构描述与设计动机为主，未给出各层的构建细节、层间选择规则或消融数据。
推理时由控制器执行渐进披露：先读高层摘要，仅在需要时下钻到更细证据，形成自适应的成本—保真度权衡。 简单查询可提前终止，而复杂的时间、多跳或精确证据类查询会触发更深层检查，使检索深度随查询复杂度变化，而非对所有查询使用同一粒度。 摘要给出机制层面的定性描述与查询类型示例，未报告控制器决策的准确率或不同终止策略的对比。
引入笔记合成器，把检索到的证据转换为面向查询的结构，在最终答案生成前合并事实、排序事件并标记矛盾。 在检索与生成之间增加一个查询聚焦的整理步骤，使证据以结构化形式进入答案生成，而非直接拼接原始片段。 摘要仅说明该组件的功能定位，未给出其实现方式或对最终答案的单独贡献度量。
在 LongMemEval 上，APDMem 在长上下文记忆推理中取得较强表现，同时只访问全部对话的 8%。 把性能与访问比例一并报告，说明在显著受限的上下文访问量下仍能维持记忆推理表现。 摘要报告了基准名称与 8% 这一访问比例，但未给出具体分数、对比基线、样本规模或统计不确定性。
启示与展望
该工作面向需要从长对话历史中恢复稀疏证据的个性化 LLM 助手，适用于查询复杂度差异明显、且上下文访问成本受限的设置。其分层记忆与控制器下钻机制为后续工作提供了可复用的设计范式：简单查询提前终止、复杂的时间、多跳或精确证据查询再深入检查，这一成本—保真度权衡可直接用于构建更省上下文的记忆检索流程。笔记合成器所承担的合并事实、排序事件、标记矛盾等步骤，也为在生成前引入查询聚焦的证据整理提供了接口。
摘要未给出 LongMemEval 上的具体分数、对比基线、样本规模与统计不确定性，因此“较强表现”的幅度无法从现有文本判断。四层记忆的构建方式、层间下钻的触发与终止规则、笔记合成器的实现细节，以及各组件对最终结果的单独贡献，均未在摘要中说明。8% 访问比例是按何种口径统计（对话数、轮次或 token）也未交代。此外，本次可获取的文本为摘要与页面导航信息，未包含正文、图表与实验表格，上述问题需查阅原文方能确认。