D-Mem: Ein Dual-Process-Memory-System für LLM-Agenten

Mit dem rasanten Aufstieg selbstadaptiver Agenten wird ein präzises Langzeitgedächtnis zur Schlüsselkomponente für komplexe, langfristige Entscheidungsprozesse. Doch die gängigen Retrieval‑Systeme verarbeiten Erinnerungen inkrementell und verlassen sich auf semantische Vektor‑Abfragen, was oft zu Informationsverlusten führt.

Um diese Lücke zu schließen, präsentiert die neue Studie D‑Mem, ein Dual‑Process‑Memory‑System. Es kombiniert die Schnelligkeit von Vektor‑Retrieval für Routineanfragen mit einem umfassenden Full‑Deliberation‑Modul, das als hochpräziser Fallback dient.

Ein innovatives Multi‑Dimensional Quality Gating‑Policy steuert die dynamische Auswahl zwischen beiden Prozessen. So wird die kognitive Effizienz maximiert, ohne die Genauigkeit zu opfern.

In Tests auf den LoCoMo‑ und RealTalk‑Benchmarks mit GPT‑4o‑mini und Qwen3‑235B‑Instruct erzielte D‑Mem einen F1‑Score von 53,5 – deutlich höher als das statische Retrieval‑Baseline (51,2). Gleichzeitig erreicht es 96,7 % der Performance des Full‑Deliberation‑Moduls bei wesentlich geringeren Rechenkosten.

Diese Ergebnisse zeigen, dass D‑Mem die Genauigkeit von LLM‑Agenten verbessert und gleichzeitig die Ressourcenbelastung reduziert. Es eröffnet einen vielversprechenden Ansatz für die nächste Generation autonomer Systeme.