graph-memory

提出了 EvoGraph-Mem，一种用于长期语言代理的失败感知可编辑图记忆框架，该框架跟踪正面/负面证据和激活状态以获取洞察，通过基于效用的检索和图级编辑实现记忆维护。

本文介绍了HiGram，一种面向LLM智能体的演化式层级图记忆框架，具备路径级定位与协同重写功能，以提高长期推理任务中的检索效率和答案质量。

提出Co-E，一种免训练系统，同步图记忆与文本记忆用于多跳问答，在六个基准上优于可比的免训练基线。

一项涵盖9,842个任务的斯坦福研究表明，将循环工程与图记忆相结合，可生成比标准智能体性能高出38.6%的AI智能体，不必要的工具调用减少24.1%，延迟降低21.7%。

讨论构建LLM记忆系统的不同思想流派，重点关注图记忆及其对人类创造力和归纳偏置的潜力。

一篇新论文介绍了适用于LLM智能体的图记忆。

作者反思了将扁平化Markdown文件用作智能体长期记忆的局限性，随着记忆增长，这导致了提示债，并提倡使用基于图的记忆表示方法，动态检索相关上下文。

# HeLa-Mem: Hebbian Learning and Associative Memory for LLM Agents 来源：[https://arxiv.org/html/2604.16839](https://arxiv.org/html/2604.16839) Jinchang Zhu1,∗,a, Jindong Li1,∗, Cheng Zhang2,∗, Jiahong Liu3, Menglin Yang1,†,b 1香港科技大学（广州） 2吉林大学 3香港中文大学 [email protected] [email protected] ∗同等贡献 †通讯作者 ###### 摘要 长...