论文导读
上海交通大学、上海人工智能实验室、阿里巴巴、清华大学联合提出MemForest，把智能体历史记忆按事件组织成树，再逐步合并重复节点。M3-Agent在两项多模态基准上压缩50%记忆后保留99.7%表现，检索加速2.24倍。比例是论文五套基准中的特定结果，不能代表所有真实智能体负载。
记忆节点越多，存储和搜索一起变慢
长期对话、个性化助手和视频理解智能体会不断保存用户问答、观察和事件。记忆从5000个节点增长到20万个时，向量搜索要比较更多内容，存储占用也持续上升。简单删除旧记忆会丢掉早期约定；只按语义聚类，又可能把时间上相隔很远、表面相似但属于不同事件的内容混在一起。
论文强调两种关系要同时看。全局语义相似能找到谈论同一主题的记忆，局部时间连续则保留事件发生的顺序。比如一次旅行中的吃饭、散步和评价彼此相连，不能只因为另一次旅行也提到餐厅，就把两段经历合并。
图1：论文Figure 1左侧展示节点增长带来的检索延迟和存储成本，右侧说明语义相似与时间连续需要同时保留。
EventTree沿高权重边逐步合并
MemForest先根据语义和时间把历史记忆划成事件单元，再为每个单元构造最大生成树EventTree。树上的边表示两条记忆应被放在一起的程度。系统从权重高的边开始，把冗余节点压缩为更紧凑的记录，直到达到目标压缩比例。
图2：论文Figure 2展示事件语义—时间划分、EventTree逐步合并和锚点引导检索三个模块。
压缩后，检索不能只找最相似的一个节点。论文增加锚点引导传播：先找到与查询最相关的记忆，再到它的时间邻域搜索关联节点，把主事件和上下文一起交给智能体。这样能弥补合并过程对细节的损失，也减少对全库逐一比较的依赖。
压缩一半后，两类系统保留不同水平
在单模态Mem0框架中，MemForest跨LoCoMo、LongMemEval和PersonaMem压缩50%历史记忆后，保留原始表现的97.1%，检索速度提高1.89倍。在多模态M3-Agent框架中，M3-Bench-robot与M3-Bench-web合计保留99.7%表现，检索加速2.24倍。
图3：论文Figure 3比较加入MemForest和锚点传播前后的时间、平均检索量与记忆开销。
“保留99.7%”是相对原系统的聚合指标，不等于答案正确率99.7%，也不表示每个用户、每类记忆都只损失0.3%。极少出现却很重要的偏好、日期或承诺，仍可能在合并时被弱化，因此需要按任务检查长尾信息。
产品化要让用户知道系统忘了什么
MemForest适合部署在历史增长明显、检索成本成为瓶颈的助手中。下一步应把不可合并的记忆类型、保留期限和用户删除要求加入树结构，并为每次压缩保存可审计记录。真实产品还需要测量写入成本、增量更新和跨设备同步；对医疗、财务等高风险信息，不能只依赖通用相似度决定是否合并。让用户查看、锁定和纠正长期记忆，会比单纯追求更高压缩比更重要。
