面向 AI 智能体的图原生认知记忆：版本化记忆架构的形式化信念修正语义

尽管先前系统中已存在 AI 智能体记忆的各个组件，其架构综合与形式化基础仍未得到充分探索。我们提出 Kumiho，一个以形式化信念修正语义为基础的图原生认知记忆架构。认知记忆所需的结构原语——不可变修订、可变标签指针、类型化依赖边、基于 URI 的寻址——与将智能体产出作为可版本化资产进行管理所需的原语完全相同，这使得一个同时服务两种用途的统一图原生架构成为可能。其核心形式化贡献是 AGM 信念修正框架与属性图记忆系统操作语义之间的对应关系，证明满足 AGM 基本公设（K*2-K*6）与 Hansson 的信念基公设（相关性 Relevance、核心保持 Core-Retainment）。该架构实现双存储模型（Redis 工作记忆、Neo4j 长期图），支持全文与向量混合检索。在 LoCoMo（token 级 F1）上，Kumiho 取得 0.565 的总体 F1（n=1,986），其中对抗拒绝准确率为 97.5%。在测试内隐约束召回的 Level-2 认知记忆基准 LoCoMo-Plus 上，Kumiho 取得 93.3% 的裁判准确率（n=401）；基准作者独立复现的结果处于 85% 左右的水平，仍大幅超越所有已发表基线（最佳：Gemini 2.5 Pro，45.7%）。驱动这些结果的是三项架构创新：前瞻索引（在写入时索引 LLM 生成的未来场景蕴含）、事件抽取（在摘要中保留结构化因果事件）与客户端 LLM 重排序。该架构与模型解耦：将回答模型从 GPT-4o-mini（约 88%）切换为 GPT-4o（93.3%）即可在不改动流水线的情况下提升端到端准确率，401 条条目的总评估成本约 14 美元。