长时域交互代理通常积累大量轨迹历史，但仍无法可靠地回答关于早期事件的问题。现有方法将历史存储为纯文本块并使用标准检索增强生成（RAG）进行查询时，系统往往检索到局部相关但链式不完整的证据，尤其在空间、时间、重复事件和多跳状态问题上表现不佳。为了突破这一瓶颈，来自多所机构的研究团队提出了S3MEM（结构化场景事件记忆框架）。
S3MEM的核心思想在于将代理的轨迹写入结构化的记忆单元，通过锚点敏感检索（anchor-sensitive retrieval）提取与查询高度相关的证据，并提供一个紧凑的、考虑令牌预算的证据接口用于推理时推断。这一设计将原始轨迹转化为与问题对齐的支持证据，有效克服了传统RAG在长序列推理中的局限性。例如，在面对“你在进入房间前是否拿了钥匙？”这类涉及时空关联的问题时，S3MEM能够通过锚点定位到关键记忆片段，避免被无关信息干扰。
研究团队在四个具有挑战性的环境中评估了S3MEM：两个内部头牌环境（Crafter和Jericho）以及两个域外环境（SciWorld和ALFWorld）。为了公平比较，所有方法均采用相同的冻结推理协议（即仅使用少量演示和固定的答案生成过程）。实验结果显示，S3MEM在所有四个环境中一致优于Vanilla RAG；在Crafter、Jericho和ALFWorld上超越了图增强方法Graph-NoReader，并在SciWorld上与之持平，同时使用的证据令牌数量显著减少，平均减少约40%。此外，三个基于近期工作的基线（A-MEM启发、MemoryOS适应和LightMem适应）在若干设置中优于Vanilla RAG，但均未达到S3MEM的整体准确率-效率前沿。
总体而言，实验证据支持一个有限的结论：在当前冻结推理协议下，结构化写入和锚点敏感证据路由为长时域交互式问答提供了比通用记忆接口更强大的准确率-效率平衡。该工作目前以预印本形式发布在arXiv上，论文编号为2605.28831。未来的研究方向包括将S3MEM扩展到更复杂的环境、结合动态记忆更新机制，以及探索其在机器人导航和任务规划中的应用潜力。