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 ★ 深度解读
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（4 点）
- 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。