跳转至

Read this paper write-up in English

Mem++: Non-Destructive Memory for Long-Term Organizational LLM Agents

复现级别：L1 核心机制诊断。 执行全量写入、as-of 过滤与混合检索；不运行 OrgMemBench 或外部 embedding 服务。

论文信息

字段 内容
论文链接 arXiv 2610.02002
公司/机构 The University of Texas at Austin（按第一作者署名单位）
首次公开日期 2026-10-01（arXiv v1）
原文开源代码 是：https://github.com/AIDAChip-Inc/mem-plus-plus
Adapter mem-plus-plus
本地复现代码 src/auto_research/agent_research/latest_20261002.py

原始论文总结

背景与主要改动

写入时完整保留文档、日期和作者，不调用生成模型做不可逆摘要；读取时先按问题时间过滤，再融合 lexical 与 semantic ranking。

flowchart LR
  I[输入/当前状态] --> M[mem-plus-plus 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/更新状态]

原论文关键图

Mem++: Non-Destructive Memory for Long-Term Organizational LLM Agents 原论文关键图

原论文关键图：展示论文核心架构、训练流程或系统协议。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\(score(d,q)=BM25(d,q)+sim(e_d,e_q)\)，且仅检索 \(time(d)\le time(q)\)。

论文离线与线上效果

OrgMemBench 相对最强 memory baseline 提升 8.0–13.1 点；gpt-4.1-mini 比 RAG 高 2.6 点。

本地复现

本地对照口径：基线为机制关闭或默认状态，实验组为开启对应核心算子；相对百分比不适用。本批指标只验证不变量、梯度或状态转换，不表示论文规模效果。

复现边界

执行全量写入、as-of 过滤与混合检索；不运行 OrgMemBench 或外部 embedding 服务。