TrajWiki: Source-Grounded Memory Trajectories for Long-Horizon Dialogue Agents
TrajWiki 论文提出一种基于轨迹的对话记忆框架，将记忆表示为源接地的演化轨迹，通过不可变情节快照和 ADD、REVISE、DEPRECATE 等声明级操作维护，并引入 Memory Wiki 中间层将对话历史增量编译为结构化 wiki 页面，推理时从相关页面分层路由到记忆轨迹。
Development
- First ReportTrajWiki: Source-Grounded Memory Trajectories for Long-Horizon Dialogue AgentsarXiv cs.AI
- Current AssessmentTrajWiki 代表了对话代理记忆管理从静态存储向动态、可追溯轨迹演进的趋势，可能推动长时对话代理在客户服务、个人助理等场景中的实用化。该框架强调记忆的源接地和可诊断性，可能成为未来对话系统设计的重要参考。Agent Pulse · analysis
TrajWiki 论文针对长时对话中外部记忆缺乏可追溯性、可更新性和诊断透明度的问题，提出轨迹式记忆框架。该框架将每条记忆表示为源接地的演化轨迹，通过不可变情节快照和声明级操作（ADD、REVISE、DEPRECATE）维护，并引入 Memory Wiki 中间层，将对话历史增量编译为结构化且相互链接的 wiki 页面，捕获实体、事件、数量、主题和冲突。推理时，查询从相关 wiki 页面分层路由到链接的记忆轨迹，再路由到对应内容。
TrajWiki 的核心创新在于将记忆从静态条目转变为可追溯的演化轨迹，并通过不可变快照和声明级操作实现记忆的更新与废弃，这为长时对话代理提供了更透明的记忆管理机制。Memory Wiki 中间层通过增量编译降低检索成本，分层路由机制可能提升查询效率。下一步可验证的信号包括：该方法在公开基准上的具体性能提升、与现有记忆增强方法的对比实验，以及其在不同对话场景下的泛化能力。
TrajWiki 代表了对话代理记忆管理从静态存储向动态、可追溯轨迹演进的趋势，可能推动长时对话代理在客户服务、个人助理等场景中的实用化。该框架强调记忆的源接地和可诊断性，可能成为未来对话系统设计的重要参考。
TrajWiki 可能提升对话代理在长时交互中的可靠性和可维护性，降低因记忆错误导致的运营成本，对依赖对话系统的企业（如客服、医疗咨询）具有潜在价值。其开源实现可能促进开发者生态，推动相关工具链的发展。
未来，TrajWiki 框架可能被集成到更广泛的 Agent 系统中，提升长时任务的记忆一致性和可解释性。可验证的下一步包括：该框架在真实对话数据集上的开源实现和基准测试，以及其与检索增强生成（RAG）等现有技术的结合效果。