SAGE：面向结构感知联想记忆的自进化智能体图记忆引擎

摘要

长期记忆正在成为语言智能体的核心瓶颈。现有RAG与GraphRAG系统大多把记忆图当作静态检索中间件，这限制了它们从部分线索恢复完整证据链、利用可复用的图结构角色以及通过下游反馈改进记忆本身的能力。我们提出SAGE，一个自进化智能体图记忆引擎，将图记忆建模为动态的长期记忆基底。SAGE耦合两个角色：一个从交互历史中增量构建结构化图记忆的记忆写入器，以及一个基于图基础模型（Graph Foundation Model）执行检索并向记忆写入器提供反馈的记忆读取器。我们为该框架提供了严格的理论分析。在多跳问答、开放域检索、领域评论问答和长期智能体记忆基准上，SAGE提升了证据恢复、答案落地与检索效率：经过两轮自进化，它在多跳问答上取得最佳平均排名；在零样本开放域迁移中，它在NQ上达到82.5/91.6的Recall@2/5。在LongMemEval和HaluMem上的进一步结果表明，训练和读写器反馈改善了多项长期记忆与幻觉诊断指标，表明自进化、结构感知的图记忆是构建鲁棒长程语言智能体的有前景基础。

SAGE：面向结构感知联想记忆的自进化智能体图记忆引擎：论文配图 — 图 1：代理图内存中三个核心挑战的概述，并通过具体示例进行说明。考虑到这个问题，“爱丽丝在上周的实验室会议上提到了一项工作，似乎受到了 Cornu Ammonis 的启发。在与该工作相同领域的工作中，是否有任何工作也可以帮助代理记忆？举一个例子，”记忆阅读器必须通过将稀疏的部分线索扩展到正确的证据链中来解决联想和选择性阅读，同时避免嘈杂的干扰。然后，它必须利用内存图中的结构信息（例如别名、桥和集线器）从 Cornu Ammonis 遍历到 SAGE。自我进化的记忆凸显了写作和阅读之间的闭环。