TAGGRAPH：用于Agent持久历史图检索的标签增强图

长期记忆使 LLM Agent能够回忆过去的交互并在各个会话中保持一致，但记忆系统很难比较，因为它们在表示、索引、检索和评估方面经常有所不同。我们提出了一个基于共享 5W 式对话记忆的受控评估框架。局部图配置遍历公共基础图； AdaptiveGraph 添加了按时间顺序排列的边缘和个性化 PageRank 扩散。我们还通过相同的提取音符和 OpenClaw 作为原始输入外部参考来评估 BM25。检索排名因内存设置而异。在 LongMemEval-S 上，AdaptiveGraph 是最强的图形配置，MRR 为 0.844，但 BM25 达到 0.867，OpenClaw 达到 0.880。在 ATANT Core 上，局部图遍历优于扩散和 BM25，而 BM25 领先于压力回合。在测试范围内减少 LongMemEval-S 不会重现 ATANT 扩散惩罚，但最小的测试存储仍然大于 ATANT Core，因此不能排除存储大小。在允许的内容匹配标准下，处罚也仍然存在。词汇归一化和提取质量极大地影响图检索，并且丢失提取标签在前五名丢失中很常见。因此，检索策略应与记忆设置和强大的词汇基线结合评估。