En los últimos años, el rápido desarrollo de los modelos de lenguaje grandes (LLMs) ha llevado a un creciente consenso en la industria sobre la integración de la memoria a largo y corto plazo. Sin embargo, la aplicación generalizada de los sistemas de memoria a largo y corto plazo enfrenta dos desafíos significativos: el aumento del tiempo de ejecución y la disminución de la precisión de las respuestas de los LLMs. Para abordar estos desafíos, proponemos el ILSTMA. Esta arquitectura combina de manera única teorías fundamentales del olvido humano con principios clásicos de sistemas operativos, proporcionando un método de aceleración sin precedentes que no depende de algoritmos tradicionales de recuperación de memoria, todo basado en la planificación sistemática del espacio de memoria disponible. Además, nuestro proceso de recuperación de diálogos más relevantes mejora sustancialmente la precisión de las respuestas de los LLMs mientras examina el potencial de los dos algoritmos de recuperación de memoria más comúnmente utilizados. Los resultados experimentales demuestran que nuestro método de aceleración mejora la eficiencia de ejecución de la arquitectura original en un 21.45%, y nuestro proceso de recuperación de diálogos más relevantes eleva la precisión de las respuestas al 88.4%, superando varios puntos de referencia. Estos hallazgos validan el alto rendimiento del ILSTMA.