Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents
记忆重构而非检索：面向LLM Agent的图记忆
🧭 LLM Agent 记忆重建 · Cue-Tag-Content 图
National University of Singapore
提出MRAgent，将记忆组织为Cue–Tag–Content图，通过LLM推理驱动的主动重建替代被动检索，长时记忆推理性能提升23%并大幅降低Token消耗。
📌 工作参考价值
- 记忆图设计：Cue–Tag–Content结构以Tag作为语义中间层，可复用到电商客服Agent的长期交互记忆，支持多跳关联检索，避免一次性全图遍历的噪声和成本。
- 主动重建机制：将LLM推理嵌入记忆访问循环，允许Agent根据中间证据动态调整检索路径，适合处理复杂查询或多轮对话中的上下文积累，避免被动检索的一次性固化缺陷。
- 按需检索降低成本：通过Tag先筛选再访问具体内容，显著减少Token消耗（实验中仅118k，对比A-Mem的632k），适合需要控制推理开销的生产环境。
- 多层记忆分层：融合场景记忆、语义记忆与话题抽象，可用于构建用户长期画像和交互历史存储，支持个性化推荐或服务中的稳定知识抽取与事件回溯。
动机
LLM Agent在长期交互中的记忆推理能力受限于被动检索范式：现有RAG或图记忆方法一次性固定检索内容，无法根据推理过程中的中间证据动态调整，导致噪声积累和多跳推理失败。认知神经科学表明人类记忆是一个主动、关联的重构过程，这启发我们将记忆访问从“检索”转变为“重建”。
方法关键点
- Cue–Tag–Content记忆图：将记忆组织为异构图，其中Cue是细粒度关键词，Content是具体记忆单元，Tag作为两者之间的语义桥梁，编码关联关系。
- 多层记忆：包含Episodic（事件）、Semantic（稳定知识）和Topic（话题抽象）三个层次，支持不同粒度的推理。
- 主动重建过程：LLM在每步根据当前重建状态（已积累的证据）选择前向或反向遍历动作，动态探索记忆图并剪枝无关路径，逐步重构出可回答问题的最小证据集。
- 理论保证：证明了给定检索预算下，主动策略的表达能力严格强于被动策略。
关键实验
- 数据集：长对话记忆基准LOCOMO和LONGMEMEVAL。
- 基线：RAG、A-Mem、MemoryOS、LangMem、Mem0等。
- 结果：在Gemini骨干下，MRAgent的LLM-Judge分数达到84.21（相对提升23.3%），全面超越基线；Token消耗仅118k，远低于A-Mem的632k；消融实验证实多步推理和Tag引导是主要增益来源。
一句话：记忆不是一次检索的静态结果，而是基于中间证据的迭代重构过程。