MemAdapter：通过生成式子图检索实现智能体记忆范式间的快速对齐

记忆机制是基于 LLM 的智能体的核心组件，使其能够在长程上下文上进行推理和知识发现。现有智能体记忆系统通常在孤立范式（如显式、参数化或潜在记忆）内设计，检索方法与之紧耦合，阻碍了跨范式泛化与融合。在这项工作中，我们迈出在单一记忆系统内统一异构记忆范式的第一步。我们提出 MemAdapter，一个实现跨智能体记忆范式快速对齐的记忆检索框架。MemAdapter 采用两阶段训练策略：(1) 从统一记忆空间训练生成式子图检索器；(2) 通过对比学习训练一个轻量级对齐模块，使检索器适配未见过的记忆范式。这一设计提升了记忆检索的灵活性，并大幅降低了跨范式对齐成本。在三个公开评估基准上的全面实验表明，生成式子图检索器在三种记忆范式和不同智能体模型规模下始终优于五个强大的智能体记忆系统。值得注意的是，MemAdapter 在单张 GPU 上于 13 分钟内完成跨范式对齐，以不到 5% 的训练计算量取得优于原始记忆检索器的性能。此外，MemAdapter 支持跨记忆范式的有效零样本融合，凸显其作为智能体记忆系统即插即用解决方案的潜力。