选择性遗忘：面向长期大语言模型智能体的图记忆框架

知识图被提议作为长期代理记忆的平面检索增强生成的结构化替代方案，其假设是将对话表示为实体和关系可以提高召回率。我们直接评估该假设。我们的框架将每个对话轮次提取为类型节点和属性边，回答来自两跳子图的问题，并定期修剪在新近度、访问频率、程度中心性和年龄的加权组合上得分较低的节点。在 LongMemEval 上，在五个检索根的匹配候选生成预算下，该图的表现并不优于平面向量基线：标记 F1 为 0.417 美元，而 0.468 美元为 0.468 美元，超过 500 个问题的配对引导程序给出 Δ= -0.050 美元（95\% CI $[-0.085, -0.016]$）。在需要回忆特定先前助理回合的问题上，差距最大，判断的正确性从 0.911 美元下降到 0.607 美元，这表明将回合分解为实体会丢弃这些问题所依赖的表面形式。遗忘模块比较成功。应用于持久 27{,}021 节点图一次，它会删除 9.8% 的节点和 9.5% 的存储字节；token F1 保持不变 ($+0.001$, 95\% CI $[-0.015, +0.016]$)，判断正确性下降 $1.6$ 点，95\% 区间将任何损失限制在 $3.8$ 点 ($[-0.038, +0.006]$)。由于我们的提取器是在一个基准上评估的单个小模型，因此这些结果表征了这种基于提取的管道，而不是一般的图形结构内存。代码：https://github.com/skhanzad/Selective-Amnesia