GAAMA：面向智能体的图增强联想记忆

跨多个会话与用户交互的人工智能代理需要持久的长期记忆来保持连贯、个性化的行为。当前的方法要么依赖于平面检索增强生成（RAG），它会丢失记忆之间的结构关系，要么使用无法捕获多会话对话的关联结构的内存压缩和向量检索。文献中提出的基于图的技术很少，但是它们仍然受到集线器主导的检索和对进化记忆的较差的层次推理的影响。我们提出了 GAAMA，一种图增强的联想记忆系统，通过三步管道构建概念介导的分层知识图：（1）~从原始对话中逐字保存事件，（2）~基于 LLM 的原子事实和主题级概念节点的提取，以及（3）~高阶反射的合成。生成的图使用由五种结构边类型连接的四种节点类型（情节、事实、反射、概念），概念节点提供补充语义相似性的横切遍历路径。检索通过附加评分函数将基于余弦相似度的 $k$ 最近邻搜索与边缘类型感知的个性化 PageRank (PPR) 结合起来。在 LoCoMo-10 基准（10 个多会话对话中的 1,540 个问题）上，GAAMA 实现了 78.9% 的平均奖励，优于调整后的 RAG 基线 (75.0%)、HippoRAG (69.9%)、A-Mem (47.2%) 和 Nemori (52.1%)。消融分析表明，通过语义搜索增强基于图遍历的排名（个性化 PageRank）始终优于图节点上的纯语义搜索（总体+1.0 个百分点）。