ActionRAG: Evidence-Refining Graph Diffusion for Long-Term Memory in LLM Agents
ActionRAG：面向 LLM Agent 长期记忆的证据精炼图扩散
🧭 LLM Agent 长期记忆 · 图扩散检索
Actioneer
结合谨慎图索引与查询时接收者归一化图扩散，在 MemoryAgentBench 上以 55.1 平均分刷新检索式记忆 agent 表现
📌 工作参考价值
- 查询时把向量召回视为 proposal 而非最终结果：用双通道（实体+三元组）召回后在局部图上做 receiver-normalized diffusion 重排序，能恢复多跳关联且不引入 LLM 调用；适合电商会话中“用户问某商品是否适用于某场景”这类需要跨事实推理的 query。
- 索引阶段做标签调和 + 分层实体消解（精确名+类型匹配优先，模糊匹配仅限唯一候选）能显著降低商品/类目/属性图中的实体碎片，避免后续图检索被重复节点稀释。
- 冲突消解与事实更新：将时间短语归一化为绝对日期并存入事实描述而非节点，保留 source chunk 指针，可支撑价格/优惠/状态变更等需要区分新旧事实的场景。
- seed protection 与 hub-penalized flux 两个参数化 trick 可直接借鉴：保护原始高分证据不被图扩散淹没；对高连接度实体（爆款商品/热门类目）施加惩罚，避免 flux 补全被 hub 主导。
动机：LLM agent 长期记忆需要从增长交互史中恢复精确且一致的证据，特别是跨事实推理与冲突消解。现有 dense RAG 对 chunk 独立评分，丢失多跳和 superseded 事实区分；图方法如 HippoRAG-v2 依赖查询时 LLM 提取实体，可能遗漏谓词线索。索引错误也可能造成实体碎片或错误合并。
方法关键点：
- 离线索引：LLM 提取 typed triples；标签调和；分层实体消解（精确名+兼容类型优先，模糊匹配仅限唯一候选，同组归一建节点）；时间短语归一化为绝对日期存入描述；定期摘要但保留 source chunk 指针。
- 查询时：双通道检索 top-K 实体与具体三元组；hop-capped 扩展构建有界局部图；query-conditioned 接收者归一化扩散 x = α(I-(1-α)P)^{-1}s，A 由最短路径和相关三元组构成；seed protection 保留 top-S raw-score 项；ε 阈值修剪；hub-penalized flux 恢复最多 L 条未见三元组；检索阶段无 LLM 调用。
关键实验：在 MemoryAgentBench 八个确定性列上，ActionRAG 平均 55.1，比 HippoRAG-v2 高 5.4，六列最高。MCC 上 82.0 接近 long-context 的 82.4，超过 HippoRAG-v2 20.6 点。消融显示完整管道（reconciled + summarized + diffusion）55.1，基础检索仅 45.0。每查询合成成本 <$0.001，检索 p99 组件 440.7ms。
最值得记住：把初始语义检索当作 proposal 而非 final，用局部图扩散 retroevaluate 并 materialize 遗漏关系，是低成本提升多跳/冲突记忆检索的关键路径。