记忆是被重构的而非被检索的：LLM智能体的图记忆

尽管最近取得了进展，LLM 代理仍然难以对长期交互历史进行推理。虽然当前的记忆增强代理依赖于静态检索然后推理范例，但这种严格的管道设计阻止它们动态调整内存访问以适应推理过程中发现的中间证据。为了弥补这一差距，我们提出了 MRAgent，这是一个将关联内存图与主动重建机制相结合的框架。我们将记忆表示为提示-标签-内容图，其中关联标签充当连接细粒度提示和记忆内容的语义桥梁。在此结构上运行，我们的主动重建机制将 LLM 推理直接集成到内存访问中，允许代理根据积累的证据迭代地探索和修剪检索路径。这确保了内存检索动态地适应推理上下文，同时避免由无约束扩展引起的组合爆炸。 LoCoMo 基准和 LongMemEval 基准的实验表明，与强基准相比，有了显着改进（高达 23%），同时大幅降低了词元和运行时成本，突出了主动和关联重建对长视野内存推理的有效性。