Память реконструируется, а не извлекается: графовая память улучшает запоминание у LLM-агентов на 23%
National University of Singapore
MRAgent заменяет стандартную парадигму «сначала извлечь, потом рассуждать» активной реконструкцией: память агента хранится в виде графа Cue-Tag-Content, где ассоциативные теги выступают семантическими мостами. При инференсе агент итеративно исследует и отсекает пути извлечения, руководствуясь промежуточными рассуждениями, что позволяет избежать комбинаторного взрыва. На бенчмарках LoCoMo и LongMemEval MRAgent достигает улучшения до 23% по сравнению с сильными базовыми методами извлечения.
Почему это важно
Статическое извлечение (поиск по эмбеддинг-сходству) даёт сбой, когда нужная память зависит от того, что агент уже вывел в ходе задачи. Объединяя рассуждения LLM непосредственно с обходом памяти, эта работа устраняет фундаментальное узкое место для долгосрочных агентных задач и предлагает граф-структурированную память как более надёжную альтернативу плоским векторным хранилищам.
Важность: 2/5
Весомый исследовательский вклад в область памяти агентов; улучшение на 23% на бенчмарках; устраняет реальное ограничение векторного поиска для задач с интенсивными рассуждениями.