EvoGraph-Mem：面向长期语言智能体的失败感知可编辑图记忆

长期记忆对在长交互与演化任务中运作的语言智能体至关重要。现有记忆增强智能体主要聚焦于存储和检索过往经验，但存储记忆的质量可能随时间退化。尤其是，先前蒸馏出的洞见在新任务语境下可能过时、过度泛化甚至有害，在反复复用时造成记忆污染。为解决该问题，我们研究面向长期语言智能体的洞见级记忆维护，提出一个基于可编辑洞见图的失败感知记忆维护框架。每个洞见节点追踪正向证据、负向证据与激活状态，使智能体能够区分可复用的洞见与冲突或无效的洞见。我们进一步引入效用感知的检索机制与一个图控制器，在任务执行后更新记忆图：保留可靠洞见、归档无效洞见、修订过时洞见，并添加新发现的可复用洞见。大量实验表明，我们的方法在不同骨干模型上持续优于代表性的记忆型智能体基线。消融研究进一步表明，仅追加式的记忆不足以应对长时程任务，而证据感知检索与图级编辑能提升记忆可靠性与下游任务表现。