長時域交互代理通常積累大量軌跡歷史，但仍無法可靠地回答關於早期事件的問題。現有方法將歷史存儲為純文本塊並使用標準檢索增強生成（RAG）進行查詢時，系統往往檢索到局部相關但鏈式不完整的證據，尤其在空間、時間、重複事件和多跳狀態問題上表現不佳。為了突破這一瓶頸，來自多所機構的研究團隊提出了S3MEM（結構化場景事件記憶框架）。
S3MEM的核心思想在於將代理的軌跡寫入結構化的記憶單元，通過錨點敏感檢索（anchor-sensitive retrieval）提取與查詢高度相關的證據，並提供一個緊湊的、考慮令牌預算的證據接口用於推理時推斷。這一設計將原始軌跡轉化為與問題對齊的支持證據，有效克服了傳統RAG在長序列推理中的侷限性。例如，在面對“你在進入房間前是否拿了鑰匙？”這類涉及時空關聯的問題時，S3MEM能夠通過錨點定位到關鍵記憶片段，避免被無關信息干擾。
研究團隊在四個具有挑戰性的環境中評估了S3MEM：兩個內部頭牌環境（Crafter和Jericho）以及兩個域外環境（SciWorld和ALFWorld）。為了公平比較，所有方法均採用相同的凍結推理協議（即僅使用少量演示和固定的答案生成過程）。實驗結果顯示，S3MEM在所有四個環境中一致優於Vanilla RAG；在Crafter、Jericho和ALFWorld上超越了圖增強方法Graph-NoReader，並在SciWorld上與之持平，同時使用的證據令牌數量顯著減少，平均減少約40%。此外，三個基於近期工作的基線（A-MEM啓發、MemoryOS適應和LightMem適應）在若干設置中優於Vanilla RAG，但均未達到S3MEM的整體準確率-效率前沿。
總體而言，實驗證據支持一個有限的結論：在當前凍結推理協議下，結構化寫入和錨點敏感證據路由為長時域交互式問答提供了比通用記憶接口更強大的準確率-效率平衡。該工作目前以預印本形式發佈在arXiv上，論文編號為2605.28831。未來的研究方向包括將S3MEM擴展到更復雜的環境、結合動態記憶更新機制，以及探索其在機器人導航和任務規劃中的應用潛力。