支持路径级定位与重写的LLM Agent分层图记忆

长期推理的代理需要一个可以高效和有效地更新的时间内存，因为新的事实和外部反馈继续到来。最近，图记忆被采用以提供多跳检索和推理中的结构组织。然而，现有的方法将所有记忆存储在一个平坦的图中，并且累积的历史记忆在检索期间引入无关的上下文，增加证据选择的成本。此外，它们通常独立更新记忆单元，需要重复地单元级重写来覆盖相关的更改。为了解决这些问题，我们提出HiGram，这是一种进化层次图记忆框架，具有路径级别的定位和重写。具体来说，我们首先提出了一个层次化的图记忆，将记忆组织成由上层节点和MemoryUnits组成的粗粒度架构，从而在检索过程中减少无关信息的数量。我们进一步提出了基于MicroGraph的路径级别定位，利用查询和更新条件下的MicroGraph来识别支持子图和证据路径，在重写之前。最后，我们提出了一个协调的重写方法，共同修订单元内的记忆和单元间的依赖关系，使局部证据路径中的有效依赖结构更新。在长期对话问题回答基准和冲突-aware记忆评估基准上的实验结果表明，我们的方法在答案质量、令牌效率等方面优于基线。此外，在动态、静态和条件冲突的情况下，我们的方法提高了答案准确性和查询验证的证据选择能力。