MemPrism: Task-Conditioned Relational Memory Views for Long-Horizon Agents

MemPrism 提出一种任务条件的关系记忆框架，将持久经验存储与决策时的工作记忆分离。它记录交互事件流，并根据当前任务上下文动态构建关系视图，通过轻量级视图策略选择关系结构、证据范围、结果条件和粒度，然后由确定性组件将历史事实渲染为临时工作记忆视图，供冻结的任务策略使用。在长程具身和网页智能体基准上，MemPrism 持续提升任务性能，尤其是在轨迹变长时，同时减少记忆 token 消耗。此外，学习到的视图策略可以迁移到不同的 VLM，无需额外适配，表明任务条件关系视图是一种通用的智能体记忆接口。

对导购/agent 产品的价值：MemPrism 的记忆-工作记忆分离设计非常适合导购场景的长对话与多轮交互。我们可以借鉴其“任务条件关系视图”思路，在导购 agent 中根据用户当前意图动态组织历史交互（如偏好、已看商品、价格区间），而不是把全部对话历史喂给 LLM，从而显著降低 token 开销并提升推荐相关性。
改变技术选型判断：以往我倾向于将记忆模块做成向量数据库+检索，但 MemPrism 提示我关系结构（如商品-属性-用户偏好）可能比稠密向量更高效，尤其是需要可解释性和精确条件过滤的导购场景。我开始考虑在记忆层引入关系图或者规则化的视图策略，而不是完全依赖 embedding。
下一步行动：1) 精读论文，重点看视图策略的训练方式和映射到不同 VLM 的迁移细节；2) 设计一个小实验，在导购 agent 中模拟 MemPrism 的记忆视图，对比与 baseline 的 token 消耗和任务成功率；3) 关注后续工作是否开源代码，若能拿到则直接集成到我的情报平台中评估。