LLM ajanları için Verimli Ömür Boyu Bellek LLM ajanlarının uzun konuşmaları yönetmek için hafızaya ihtiyacı vardır. Bugün bunun ele alınma şekli, hafızanın ya tam etkileşim geçmişini koruması, bu da büyük bir yedekliliğe yol açması ya da gürültüyü filtrelemek için yinelemeli mantık yürütmeye dayanarak aşırı token tüketmesidir. Bu yeni araştırma, token tüketimini en aza indirirken bilgi yoğunluğunu en aza indiren anlamsal kayıpsız sıkıştırmaya dayanan verimli bir bellek çerçevesi olan SimpleMem'i tanıtmaktadır. Çerçeve, üç aşamalı bir boru hattı üzerinden işlemektedir. 1) İlk olarak, Anlamsal Yapılandırılmış Sıkıştırma, ham diyalogları kompakt bellek birimlerine damıtmak için entropi farkında filtreleme uygular, referansları çözer ve göreceli zaman ifadelerini ("geçen Cuma") mutlak zaman damgalarına dönüştürür. 2) İkincisi, Özyinelemeli Hafıza Konsolidasyonu, ilgili anıları kademeli olarak daha üst düzey soyutlamalara entegre eder ve "sabah 8'de latte sipariş ettim" gibi tekrarlayan girişleri "sabah düzenli kahve içer" gibi kalıplara dönüştürür. 3) Üçüncüsü, Adaptif Sorguya Duyarlı Alım, sorgu karmaşıklığına göre alma kapsamını dinamik olarak ayarlar. Sonuçlar: GPT-4.1-mini ile LoCoMo kıyaslamasında SimpleMem 43.24 F1 puanına ulaşarak en güçlü temel Mem0'u (34.20) %26.4 geride bıraktı ve token tüketimini sorgu başına sadece 531 token'a düşürdü, tam bağlamlı yaklaşımlarda ise 16.910 token ile 30 kat azalma anlamına geliyor. Bellek yapımının Mem0'dan 14 kat daha hızlı olduğunu iddia ediyorlar (örnek başına 92.6s vs 1350.9s) ve A-Mem'den 50 kat daha hızlı. SimpleMem ile 3B parametre modeli bile, daha düşük bellek stratejileri kullanan daha büyük modelleri geride bırakır. Bu çalışma, yapılandırılmış anlamsal sıkıştırma ve uyarlanabilir geri dönüşün, LLM ajanlarının tokenlarda boğulmadan veya doğruluktan ödün vermeden güvenilir uzun vadeli hafıza korumalarını sağladığını göstermektedir.