GAM：面向LLM智能体的分层图结构智能体记忆

为维持连贯的长期交互，大语言模型（LLM）智能体必须应对获取新信息与保留既有知识之间的张力。当前的统一流式记忆系统便于上下文更新，但仍易受瞬时噪声干扰。相反，离散的结构化记忆架构提供稳健的知识保留，却常难以适应不断演化的叙事。为此，我们提出GAM，一个分层图结构智能体记忆（Graph-based Agentic Memory）框架，它显式地将记忆编码与整合解耦，以有效化解快速上下文感知与稳定知识保留之间的冲突。通过将进行中的对话隔离在事件演进图中，并仅在语义转变时将其整合进主题关联网络，我们的方法在保持长期一致性的同时将干扰降至最低。此外，我们引入一种图引导的多因子检索策略以提升上下文精确度。在LoCoMo和LongDialQA上的实验表明，我们的方法在推理准确率与效率两方面均持续优于最先进基线。