EngramRAG：以动态使用权重和突触巩固组织多跳Agentic记忆

由于自主 LLM Agent部署在多会话环境中，传统的记忆架构会遭受关联失明（无法遍历多跳关系依赖）、脚手架遗忘（时间衰退驱逐核心角色不变量）和静态拓扑停滞（不可变图忽略使用动态）的问题。基于补充学习系统 (CLS) 原则，我们提出了 EngramRAG，这是一种将低延迟清醒状态反射与异步后台梦境巩固周期相结合的自适应记忆架构。 EngramRAG 引入了：（1）使用调制个性化 PageRank（U-PPR），其中转换概率通过 Hebbian 可塑性进行调整，以将持久性实体提升为高中心性认知宏中心； (2) 固结激活拓扑衰减 (CATD)，通过拓扑承载重量而不是挂钟新近度来缩放保留半衰期，并受到冷启动宽限期 (N_grace >= 4) 的保护； (3) 定向 SUPERSEDES DAG 过滤以抑制事实突变期间的过时状态； (4) 通过动态倒数秩融合 (RRF) 融合密集向量、BM25 和 U-PPR 的三源混合检索。在 LoCoMo 基准测试中评估 10 个长期对话中的所有 1,982 个 QA 对，EngramRAG 与密集向量 RAG 相比，在 Recall@5 上实现了 +38.9% 的相对改进（53.21% vs. 38.29%，p < 0.001），在 MRR 上实现了 +43.1% 的相对改进（0.4203 vs. 0.2937），显着优于 Okapi BM25 (48.66%) 和孤立的静态图检索 (8.50%)。在时间推理上，EngramRAG 的 Recall@5 达到 62.33%（比密集向量高 16.67 点）。在受控突变测试中，SUPERSEDES 将裂脑幻觉从 70.0% 抑制到 0.0%，而 90 天的模拟显示在 26.21ms 交互式检索反射下支架保留率为 100.0%。