LLM智能体的画像图记忆：经叙事画像的隐式跨实体遍历

长期记忆对跨会话交互的LLM智能体至关重要，但当前记忆基准主要评估单跳召回，多跳关联基本未被测量。我们做出三项贡献。第一，我们提出MemHop——一个多跳记忆基准：跨10个社交网络场景、跳深1–5的1,000个问题，带逐跳证据标注。第二，我们提出画像图记忆（ProGraph），一个两层记忆架构，组合：（i）画像扩展——对LLM撰写的画像叙事中自然出现的实体名做子串匹配遍历，是显式知识图谱构建的最小替代；（ii）压缩残差——与每次画像更新同时零额外API成本共抽的精确日期、数量与命名条目。第三，全网格消融显示跨基准的机制专精：画像扩展驱动多跳推理（移除后MemHop下降22.6分），压缩残差驱动精确召回（不共抽时LoCoMo下降8.6分），同架构内交叉效应小于3分。ProGraph在MemHop上平均80.1%（持平FullContext参照），在LoCoMo上78.4%（超FullContext 11.3分），在两者上都超过Mem0、A-Mem、HippoRAG与RAG。我们发布MemHop、ProGraph与基线实现。