沙丘社区
论文

EdgeMem：无需生成式LLM的证据保留型超图记忆

EdgeMem: LLM-Free Agent Memory Construction and Retrieval via Evidence-Preserving Multi-Anchor Hypergraph

Zeyang Cui , Jiannong Cao , Zhiyuan Wen , Bo Yuan , Junlan Feng , Shengyuan Chen
上下文与知识记忆Agent记忆

摘要

Agent记忆让LLM在回答新查询时利用过往交互。现有方法常把历史压缩为摘要或其他LLM生成表示，反复生成增加成本，也可能在尚不清楚未来问题需求时就丢弃答案所需细节。EdgeMem遵循简单原则：保留原始交互轮次，以内容、时间和事件等互补线索组织。它通过轻量本地处理构建多锚点超图，检索直接返回源证据，仅在最终生成答案时使用LLM，结合多会话历史的结构化访问与原始对话的忠实保留。在LoCoMo与LongMemEval-S上，方法表现出较强的检索和基于记忆的问答能力；在共享提示下复现的七个系统中，EdgeMem在LoCoMo的严格评审得分最高，61.01对58.70，而构建与检索均无需调用生成式LLM。结果表明，保留并组织源证据可以为Agent记忆提供有效、低成本的基础，无需生成式记忆管理。

EdgeMem：无需生成式LLM的证据保留型超图记忆：论文配图
图 1.(a) 基于 LLM 的摘要和检索可能会丢失带有答案的证据，而原始证据保存则使其可直接检索。 (b) 现有的记忆框架在记忆构建和每次查询回答中都会产生大量的生成 LLM Token成本。顶部：并排比较，其中基于 LLM 的总结和检索在回答之前删除包含答案的细节，而原始证据保存则直接检索它。底部：对数标记轴上的分组水平条形图； EdgeMem的构建成本为零，其应答成本最低。