知识卡片：UniMem：针对无边界任务流的互补情景到参数记忆

一句话结论：UniMem 是一种受人类记忆机制启发的自路由框架，通过可学习路由令牌协调情景缓冲（检索增强）和可扩展参数记忆（巩固），解决了大语言模型智能体在无边界任务流中的稳定性-可塑性困境。

事件概述或研究问题：大语言模型智能体在真实世界中部署时面临无明确边界、不断演化的任务流，需要在快速吸收新经验（可塑性）与稳定执行已知模式（稳定性）之间取得平衡。现有外部检索记忆虽能快速吸收，但难以内化重复模式，且有推理开销；参数记忆学习后稳定高效，但依赖任务边界和固定参数预算。

方法/产品要点：

• 提出 UniMem 框架，使用可学习路由令牌作为记忆控制器，自适应协调两种互补记忆通路：新颖或稀疏任务保留在情景缓冲中用于检索增强执行；重复可靠模式巩固到可扩展的参数记忆中。
• 通过路由令牌和参数记忆块解耦任务识别与任务执行，无需任务标签即可按需扩展记忆，且不导致参数无控制增长。

主要结果或产业意义：在长时流式任务序列实验中，UniMem 在三个骨干模型上平均提升4.0个精确匹配（EM）分数，一致优于基线，同时保持执行保真度。

为什么重要：该工作首次提出将情景记忆与参数记忆互补融合的自主记忆管理方法，模仿人脑的对立平衡机制，为部署于无边界任务流的LLM代理提供了一种无需任务标签、可动态扩展的记忆方案。

局限与不确定性：具体实验设置、基准数据集、计算开销等细节无法从摘要中确认，需查证原文。

可用于图书/PPT/简报的角度：可介绍“大模型代理的多级记忆管理”、“受脑科学启发的AI记忆架构”、“从检索增强到参数内化的持续学习”等主题。

原始材料：

• 英文标题：UniMem: Complementary Episodic-to-Parametric Memory for Boundary-Agnostic Task Streams
• 英文关键词：LLM agents, memory management, stability-plasticity dilemma, episodic memory, parametric memory, routing tokens, complementary learning systems
• 来源：arXiv预印本2607.26017v1，URL: https://arxiv.org/abs/2607.26017v1