大型语言模型（LLMs）在长上下文推理方面面临根本性挑战：许多文档的长度超过了其有限的上下文窗口，而即使文本长度在模型可处理范围内，性能仍会随序列长度增加而下降，因此亟需借助外部记忆框架进行增强。当前的解决方案已从基于语义嵌入的检索，演进至更复杂的结构化知识图谱表示，以提升语义理解与关联能力。然而，这些方法主要针对事实型检索任务，难以构建时空锚定的叙事表征，而这种表征对于追踪事件序列中实体的演变至关重要。为弥合这一差距，我们提出生成式语义工作区（Generative Semantic Workspace, GSW），一种受神经机制启发的生成式记忆框架。该框架能够构建结构化、可解释的动态情境表征，使LLM能够对不断演化的角色、行为以及时空背景进行推理。我们的框架包含两个核心组件：一个算子（Operator），负责将输入的观测映射为中间语义结构；以及一个调和器（Reconciler），用于将这些结构整合进一个持久化的工作区中，从而强制保证时间、空间与逻辑的一致性。在包含10万至100万词元长度文本语料的事件记忆基准测试集（Episodic Memory Benchmark, EpBench）上，GSW相较于现有的基于检索增强生成（RAG）的基线方法，性能最高提升达20%。此外，GSW具有极高的效率，相较于现有最高效的基线方法，查询阶段的上下文词元数量减少了51%，显著降低了推理时间成本。更广泛而言，GSW为赋予LLM类人般的事件记忆能力提供了切实可行的蓝图，为构建具备长期推理能力的智能体铺平了道路。