Hierarchical Graph Memory for LLM Agents with Path-level Localization and Rewrite
面向LLM智能体的分层图记忆：路径级定位与协调重写
🧭 Agent记忆演化与证据定位 ★ 深度解读
Nankai University · Zhongguancun Academy · Beihang University
提出分层图记忆框架HiGram，通过MicroGraph路径级定位与协调重写，提升长程对话问答质量并大幅降低Token消耗
📌 工作参考价值（4 点）
- 借鉴分层图记忆架构：将用户记忆分为粗粒度节点（如商品类别、场景）和细粒度记忆单元（具体行为、事实），降低检索时遍历全量历史的开销。
- 路径级证据定位：在电商对话推荐中，根据当前查询和用户反馈，定位支持推荐理由的证据子图（如购买序列、偏好演变路径），减少上下文噪声。
- 协调重写机制：当用户信息更新时（如地址变更、偏好改变），不仅更新单个事实，还要更新依赖该事实的推断记忆（如推荐策略），保持一致性，避免过时信息。
- Token效率优化：通过在推理时只加载定位到的子图和路径，显著降低LLM调用Token数，在实时场景中更可行。