O paper StructMem propõe uma memória hierárquica para agentes conversacionais de longo prazo, voltada a relacionar eventos e apoiar raciocínio temporal e perguntas multi-hop.
O paper StructMem propõe uma memória hierárquica para agentes conversacionais de longo prazo. A ideia é capturar relações entre eventos para apoiar raciocínio temporal e perguntas que exigem conectar várias etapas de informação.
A proposta busca equilibrar a eficiência de uma memória plana com os custos de construir uma memória em grafo. O material não informa resultados de desempenho; trate a abordagem como uma proposta a avaliar, não como uma solução comprovada.
Para estudá-la, defina tarefas representativas, como ordenar eventos ou responder perguntas que dependem de relações entre eles. Compare a abordagem com uma memória plana e registre qualidade das respostas, custo de construção e eficiência da recuperação, mantendo as mesmas condições de teste.
Se usar IA para analisar o paper ou dados de avaliação, proteja informações da organização: remova dados pessoais e segredos ou aplique a política interna antes de enviar conteúdo. Evite incluir dados sensíveis em prompts e revise os resultados antes de usá-los.