RippleMem: From Isolated Retrieval to Associative Recollection for Long-Term Agent Memory
RippleMem：从孤立检索到联想式回忆的长期 Agent 记忆系统
🧭 长期 Agent 记忆 · 联想式证据补全
Communication University of China · Zhilian Yinghe Technology Co., Ltd. · State Key Laboratory of Media Convergence and Communication
把已召回记忆作为 cue，沿事件图局部扩展补全缺失证据，长期记忆 QA 精度显著提升
📌 工作参考价值
- 在客服/导购 Agent 中，用户偏好、约束常分散在多轮多 session：一次检索容易只召回直接相关记忆，却漏掉安全约束（如海鲜过敏）。可借鉴「召回后把已召回记忆当 cue，用 LLM 判断缺失证据目标，再沿语义/结构化边局部扩展」的读阶段，避免无向图全局游走。
- 写入阶段把对话压缩为 cue-rich episodic units，结构化保存参与者/地点/时间，并建稀疏图：语义边 + 结构化边（Jaccard/时间衰减）。电商场景可把用户、商品、场景实体存为 cue，便于跨 session 关联，且比维护完整 KG 便宜约 30 倍。
- 工程实现上，建图采用增量式候选池（语义近邻 + 结构化倒排），每节点最多 K 条边，避免 O(N²)；证据装配用固定权重排序 + 固定 evidence budget，上下文 token 可控。query-time 控制器额外引入 LLM 延迟，可异步或缓存。
- 复用结论：关联/图检索只有在「evidence-conditioned」补全（有明确缺失支撑目标）时才有效，单纯加图或递归检索容易召回相关但不支持答案的记忆；业务里可用 missing-support target 约束扩展方向。
动机
Long-horizon agent memory 的瓶颈不是存，而是取：答案证据常分散在多个 session、混合在常规对话里。Flat retrieval 召回孤立记录，无向图扩展又容易走到相关但不支持回答的记忆。需要把「已召回的证据」当作继续寻找缺失支撑的 cue，而不是检索终点。
方法关键点
- 写入：把对话切分为 event-centric 的 cue-rich episodic memory units，schema 包含 canonical restatement、dense vector，以及参与者/地点/时间 cues；不强行推断未 grounded 字段。
- 建图：节点为 memory units，边分语义（cos）与结构化（participant/location Jaccard + 时间衰减）；增量稀疏建图，每节点最多 K 条边。
- 读取：先 hybrid initial recall（semantic/lexical/cue）拿初始证据；LLM 控制器做 memory-anchor planning，输出是否继续、anchors、missing-support target；只从 anchors 在 h 跳邻域内扩展，用 target 做语义/结构匹配筛选 support；证据去重后按 query alignment、provenance、anchor status 排序，控制在固定 evidence budget 内生成回答。
关键结果
LoCoMo：F1 52.49 / BLEU-1 44.05 / judge acc 87.14，judge acc 相对最强基线 RF-Mem +3.95%；LongMemEval-S：两个设置下整体 84.80 / 86.60，multi-session reasoning 较 SimpleMem 78.20 vs 60.92、较 EverMemOS 80.45 vs 73.68。消融中移除 graph expansion 跌幅最大（-4.61%）。图构建成本比 Mem0g/Zep 低约 30×，answer context 平均约 1.47k tokens。
最值得记住：可靠的长期记忆不取决于把经历存下来，而取决于如何组织它们，让部分 recall 能继续把缺失的支撑证据补全。