Agent记忆不该全存，要先估价值
MemLens 不再把历史记录全部塞进向量库，而是估计每条记忆对后续回答质量的边际贡献，再决定保留、合并或更新。

🔑关键方法

1️⃣ 会话切成句子级原子单元，再生成多层摘要；摘要节点保留回到原始片段的来源链。

2️⃣ 将记忆子集注入轻量代理模型，用 LLM-as-Judge 比较回答质量，再以采样近似 Shapley 边际贡献。

3️⃣ 阈值筛选高价值单元；回答时语义检索后按价值重排，完成会话再归档。

💡核心创新

1️⃣ 从“文本相不相关”改为“是否改善下游回答”，存储目标不再只是相似度或压缩率。

2️⃣ 同时保留原子记忆、层级摘要和来源链，不把摘要等同于不可逆丢弃。

3️⃣ Figure 2-5 把估值、阈值、压缩率、检索和回答指标放进同一界面。

📊实验效果

✅ EduMemBench 含 2,000+ 个学生 Agent 合成多轮会话。

✅ 500 个带参考答案的 QA 比较 store-all、摘要和 value-aware。

✅ 指标覆盖回答质量、检索延迟与 token 消耗，Figure 5 以雷达图呈现权衡。

✅ 估值采用 20-100 的采样预算，方法复杂度写为 O(ρM)，但论文没有给出实测延迟曲线。

✅ 作者称综合权衡改善；无基线数值表或误差条，不能计算幅度。

⚠️限制与边界

1️⃣ 数据为合成数据库学习会话，真实长期用户日志与隐私场景未验证。

2️⃣ 价值排序依赖代理模型和 LLM 裁判，跨模型稳定性没有报告。

3️⃣ 论文仅 4 页，缺完整定量表、消融及公开基准实测。

计算机科研 AgentMemory LLMAgent

论文：MemLens: A Value-Aware Memory Management System with Interactive Analytics for LLM-based Agents