Rethinking Memory as Continuously Evolving Connectivity
重新思考记忆：持续演进的连接性
🧭 连接演化驱动的Agent记忆框架
Zhejiang University · Alibaba Group · MemTensor · Tongji University
提出FluxMem，将记忆建模为可演化的异构图，通过三阶段进化实现动态连接优化，在三个基准上达到SOTA
📌 工作参考价值
- 记忆连通性演化范式：将记忆组织为异构图，根据任务反馈动态调整连接（新增缺失链接、剪除干扰边），可解决电商Agent长对话/多轮任务中检索不准、关键信息遗漏的问题。
- 三阶段演化流程参考：Stage I 初始连接构建、Stage II 反馈驱动精炼（链接级+单元级编辑）、Stage III 长期巩固（技能蒸馏与成熟度收敛），可直接模块化复用于Agent记忆系统设计。
- 技能自动提取与成熟度度量：利用PEMS指标判断过程技能是否收敛，避免冗余迭代；可将电商操作成功轨迹自动转化为可复用技能，提升跨任务泛化能力。
- 单元级内容自适应：在检索充足但抽象粒度不匹配时，方法动态细化和粗化记忆单元，可指导电商场景中不同步骤所需上下文粒度的动态调整。
动机：现有记忆增强LLM Agent大多将记忆视为静态仓库，使用固定检索流水线，难以适应动态环境中的任务变化和反馈。这导致两类典型故障：（1）连接不准确——欠连接遗漏关键上下文，过连接引入噪声；（2）记忆单元粒度僵化，无法自适应调整。此外，缺少长期巩固机制使得类似经验无法沉淀为稳定技能。针对这些问题，论文提出一种连接演化记忆框架FluxMem。
方法关键点：
- 三层异构图记忆：语义层（事实知识）、情节层（状态-动作轨迹）、过程层（可复用推理技能），节点通过任务关联动态连接。
- 三阶段演化：Stage I 初始连接形成（混合评分检索+情节相似度+过程继承）；Stage II 反馈驱动精炼（根据环境或自检失败，执行链接扩展/剪除、记忆单元内容重整形）；Stage III 长期巩固（同类情节聚类、LLM提取技能节点，并通过过程演化成熟度评分PEMS迭代优化直到收敛）。
- 记忆上下文即激活子图：每步决策时诱导出局部子图作为上下文，精炼即对子图拓扑的编辑。
关键实验结果：
- LoCoMo长对话推理：GPT-4.1-mini 平均LMJ分95.06，超过全上下文(81.23)和最强基线EverMemOS(93.05)；Qwen3-30B-A3B 达到93.44。
- Mind2Web网页导航：无元素过滤真实设置下，Cross-Task成功率从AWM的3.6提升至8.1（GPT‑4.1-mini），Gemini‑2.5-flash 上达到9.6。
- GAIA通用助手任务：Kimi K2 平均成功率从52.12升至64.85（+12.73%），Level 3 成功率从34.62升至46.15。
- 消融：LoCoMo上Stage II是关键（移除后降约10分），Mind2Web上Stage III更重要；迭代次数增加带来单调提升，5轮后接近饱和。
核心观点：记忆不应是静态存储，而应成为随环境交互持续演化的连接结构。