记忆更为关键：以事件为中心的记忆作为智能体搜索与推理的逻辑地图

大语言模型（LLM）正日益被部署为能够推理、规划并与环境交互的智能体。为了有效扩展到长程场景，此类智能体的一项关键能力是记忆机制：能够保留、组织和检索过往经验，以支持下游决策。然而，现有大多数方法以扁平方式组织和存储记忆，并依赖简单的基于相似度的检索技术。即便引入了结构化记忆，现有方法也常常难以显式捕捉经验或记忆单元之间的逻辑关系。此外，记忆访问在很大程度上与所构建的结构脱节，仍依赖浅层语义检索，阻碍了智能体对长程依赖进行逻辑推理。在这项工作中，我们提出 CompassMem，一个受事件分割理论（Event Segmentation Theory）启发的事件中心记忆框架。CompassMem 通过将经验增量式切分为事件并通过显式逻辑关系将其连接，把记忆组织为事件图（Event Graph）。该图充当一张逻辑地图，使智能体能够超越浅层检索，对记忆进行结构化、目标导向的导航，逐步收集有价值的记忆以支持长程推理。在 LoCoMo 和 NarrativeQA 上的实验表明，CompassMem 在多个骨干模型上一致地提升检索与推理性能。