通过在线最大成员聚类和原子感知打包实现的紧凑型内存LLM智能体

2026 年 9 月 7 日，arXiv 发布论文《Compact-Memory LLM Agents via Online Max-Member Clustering and Atom-Aware Packing》，提出名为 RSM-full 的在线聚类记忆管道。该方案旨在解决长程大模型部署中提示词预算紧张的问题，结合余弦门控最大成员合并写入规则与原子感知分组上下文打包器。在 AMA-Bench 基准测试中，RSM-full 实现了 83% 的全上下文质量，同时仅消耗 32% 的 token 成本（预算为 4k），优于最近的流式聚类基线 Online K-Means，平均提升幅度为 3.5 至 6.0pp。消融实验证实性能增益主要源于合并规则与分组打包器。此外，该模式在独立基准 RealMem 上同样有效，…