AgeMem — LTM+STM 统一 Agent 记忆：RL 自适应管理跨会话知识

1. 解决的问题

AgeMem 是首个将 LTM（长期记忆）和 STM（短期记忆）统一到 Agent Policy 的端到端框架。传统方案把两种记忆当作独立模块，由外置 Memory Manager 或启发式 trigger 决策，导致组合效果差、部署成本高（需要额外 expert LLM）。AgeMem 的突破在于：记忆操作本身就是 action，由同一个 LLM policy 通过 RL 学习"何时调什么"。

2. 核心算法逻辑

AgeMem 是首个将 LTM（长期记忆）和 STM（短期记忆）统一到 Agent Policy 的端到端框架。传统方案把两种记忆当作独立模块，由外置 Memory Manager 或启发式 trigger 决策，导致组合效果差、部署成本高（需要额外 expert LLM）。AgeMem 的突破在于：记忆操作本身就是 action，由同一个 LLM policy 通过 RL 学习"何时调什么"。

3. 业务应用场景

业务问题：广告 Agent 每次启动都是"空白大脑"，无法记住上周/上月哪些关键词 ROAS 高、竞品在哪些词上加价、大促节点的效果规律。一个有经验的广告优化师积累这些知识需要 3 个月，Agent 每次从零开始。

数据要求： - LTM：历史关键词 ROAS 表（`keyword → {avg_roas, peak_season, last_updated}`） - STM：当周广告报表（7 天窗口数据，含竞品曝光份额变化） - 触发事件：每次广告报表 review + 每次大促前后

预期产出： - 关键词效果 LTM 条目（自动 Add/Update/Delete 过期词） - 当周 STM 摘要（压缩 7 天数据为 3-5 条核心洞察） - 出价建议（基于 LTM 历史 + STM 当周趋势融合推理）

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

10 万

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
AgeMem — LTM+STM 统一 Agent 记忆 RL 管理
论文: arXiv:2601.01885 | 2026年1月
场景: 广告 Agent 跨会话关键词效果积累 + 选品 Agent 品类知识持久化
"""
from __future__ import annotations

import json
import time
from dataclasses import dataclass, field
from enum import Enum
from typing import Any


class MemoryType(str, Enum):
    LTM = "LTM"
    STM = "STM"


@dataclass
class MemoryItem:
    item_id: str
    content: str
    memory_type: MemoryType
    importance: float = 0.5
    timestamp: float = field(default_factory=time.time)
    tags: list[str] = field(default_factory=list)
    ttl_seconds: float | None = None

    def is_expired(self) -> bool:
        if self.ttl_seconds is None:
            return False
        return (time.time() - self.timestamp) > self.ttl_seconds


class LTMStore:
    def __init__(self):
        self._store: dict[str, MemoryItem] = {}

    def add(self, item: MemoryItem) -> str:
        self._store[item.item_id] = item
        return item.item_id

    def update(self, item_id: str, content: str, importance: float | None = None) -> bool:
        if item_id not in self._store:
            return False
        self._store[item_id].content = content
        self._store[item_id].timestamp = time.time()
        if importance is not None:
            self._store[item_id].importance = importance
        return True

    def delete(self, item_id: str) -> bool:
        return bool(self._store.pop(item_id, None))

    def search(self, query: str, top_k: int = 5) -> list[MemoryItem]:
        results = [
            item for item in self._store.values()
            if any(tag in query.lower() for tag in item.tags)
               or query.lower() in item.content.lower()

8. 论文来源

• 2601.01885