论文页面 - 记忆是重构的，而非检索的：面向LLM智能体的图记忆机制

来源：https://huggingface.co/papers/2606.06036

摘要

MRAgent将联想记忆图与主动重构机制相结合，在推理过程中实现动态记忆访问，从而在降低计算成本的同时提升长程记忆推理能力。

尽管近年来取得了进展，LLM智能体（https://huggingface.co/papers?q=LLM%20agents）在处理长交互历史推理时仍面临挑战。当前的记忆增强型智能体（https://huggingface.co/papers?q=memory-augmented%20agents）依赖静态的“检索-然后-推理“范式（https://huggingface.co/papers?q=retrieve-then-reason%20paradigm），这种刚性流水线设计使其无法根据推理过程中发现的中间证据动态调整记忆访问。为弥补这一不足，我们提出了MRAgent框架，该框架将联想记忆图（https://huggingface.co/papers?q=associative%20memory%20graph）与主动重构机制（https://huggingface.co/papers?q=active%20reconstruction%20mechanism）相结合。我们将记忆表示为线索-标签-内容图（https://huggingface.co/papers?q=Cue-Tag-Content%20graph），其中关联标签作为语义桥梁（https://huggingface.co/papers?q=semantic%20bridges），连接细粒度线索与记忆内容。在此结构之上，我们的主动重构机制（https://huggingface.co/papers?q=active%20reconstruction%20mechanism）将LLM推理直接融入记忆访问过程，使智能体能够基于累积证据迭代地探索和修剪检索路径。这确保了记忆检索能根据推理上下文动态调整，同时避免因无约束扩展而导致的组合爆炸（https://huggingface.co/papers?q=combinatorial%20explosion）问题。在LoCoMo基准测试（https://huggingface.co/papers?q=LoCoMo%20benchmark）和LongMemEval基准测试（https://huggingface.co/papers?q=LongMemEval%20benchmark）上的实验表明，该方法相比强基线取得了显著提升（最高达23%），同时大幅降低了令牌和运行时间成本，凸显了主动与联想式重构在长程记忆推理中的有效性。

查看arXiv页面（https://arxiv.org/abs/2606.06036）查看PDF（https://arxiv.org/pdf/2606.06036）GitHub 23（https://github.com/Ji-shuo/MRAgent）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.06036）

在您的智能体中获取本文：

hf papers read 2606.06036

没有最新CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本论文的模型0

暂无模型关联本论文

在模型README.md中引用arxiv.org/abs/2606.06036即可在此页面关联。

引用本论文的数据集0

暂无数据集关联本论文

在数据集README.md中引用arxiv.org/abs/2606.06036即可在此页面关联。

引用本论文的Space空间0

暂无Space空间关联本论文

在Space README.md中引用arxiv.org/abs/2606.06036即可在此页面关联。

包含本论文的收藏集0

暂无收藏集包含本论文

将本论文添加到收藏集（https://huggingface.co/new-collection）即可在此页面关联。