大语言模型（LLM）智能体正越来越多地应用于实际产品中，其中个性化和上下文感知的用户交互至关重要。实现这些能力的核心是智能体的长时语义记忆系统，它能够从嘈杂的纵向行为数据中提取隐式和显式信号，以结构化形式存储，并支持低延迟检索。
然而，构建工业级LLM智能体长时记忆面临五大挑战：可扩展性、低延迟检索、隐私限制、跨领域泛化能力以及可观测性。
针对这些挑战，领英引入了分层长时语义记忆（HLTM）框架。HLTM将文本数据组织成一个与模式对齐的记忆树，以多粒度级别捕获语义知识，从而实现可扩展的摄取、隐私感知存储、低延迟检索和透明溯源。此外，HLTM还整合了自适应机制，以泛化到不同的使用场景。
对领英招聘助手进行的广泛评估表明，HLTM将答案正确性和检索F1分数显著提高了10%以上，同时在查询和索引延迟方面显著推进了帕累托前沿。目前，HLTM已在领英招聘助手部署，为生产环境中的核心个性化招聘工作流提供支持。