EverMemOS: Rivoluzionare il Ragionamento a Lungo Termine con un Sistema di Memoria Auto-Organizzato
I Large Language Models (LLM) vengono sempre più impiegati come agenti interattivi a lungo termine. Tuttavia, le loro finestre di contesto limitate rendono difficile mantenere un comportamento coerente su interazioni prolungate. I sistemi di memoria esistenti spesso memorizzano record isolati e recuperano frammenti, limitando la loro capacità di consolidare gli stati utente in evoluzione e risolvere i conflitti.
Questo studio introduce EverMemOS, un sistema operativo di memoria auto-organizzato che implementa un ciclo di vita ispirato agli engrammi per la memoria computazionale. La Formazione di Tracce Episodiche converte i flussi di dialogo in MemCells che catturano tracce episodiche, fatti atomici e segnali Foresight a tempo. Il Consolidamento Semantico organizza le MemCells in MemScenes tematici, distillando strutture semantiche stabili e aggiornando i profili utente. Il Recupero Ricostruttivo esegue il recupero agentico guidato da MemScene per comporre il contesto necessario e sufficiente per il ragionamento a valle.
Gli esperimenti su LoCoMo e LongMemEval dimostrano che EverMemOS raggiunge prestazioni all’avanguardia sui compiti di ragionamento con memoria aumentata. Viene inoltre riportato uno studio del profilo su PersonaMem v2 e casi di studio qualitativi che illustrano capacità orientate alla chat come la profilazione utente e Foresight. Il codice è disponibile su https://github.com/EverMind-AI/EverMemOS.
Paper: ArXiv.org