MOSAIC：为LLM智能体打造的高效结构化记忆系统

当前，具备持久记忆能力的LLM智能体虽能回顾过往交互，却面临两大瓶颈：一是扁平化存储方式丢失了多跳推理所需的关系上下文；二是依赖昂贵的LLM分类机制导致延迟过高。更严重的是，现有系统缺乏信息验证机制，会持续累积矛盾知识。

针对这些问题，研究团队推出MOSAIC（信息收集的记忆组织结构化智能体）框架。该框架具备三大核心能力：首先采用实体类型图存储结构，通过语义分类保留事件、角色和关系的关联性，支持对对话历史进行多跳推理和时间推理；其次引入哈希加速双路径检索技术，用局部敏感哈希替代LLM分类，在精度损失可忽略的前提下实现近实时查询；最后在存储阶段进行主动冲突检测，通过交叉比对新增信息与图邻接节点，自动触发矛盾条目的更新或删除。

在LoCoMo长对话问答、HaluMem以及新型临床指南错误累积测试中，MOSAIC取得突破性表现：LoCoMo准确率达89.35%（较最佳基线提升27.21个百分点），HaluMem-Medium和HaluMem-Long的提取F1分数分别达到86.77%和85.84%，中长型问答正确率分别为73.10%和70.75%，同时能检测出66%的人工注入事实冲突（较最佳基线14%提升4.7倍）。哈希加速检索技术将平均搜索延迟控制在每问题0.58秒，为高延迟敏感场景部署提供可行性。