基于图结构的智能体记忆机制：分类体系、关键技术与应用综述

核心观点

大型语言模型（LLM）在复杂长时任务中展现出巨大潜力，而记忆模块则是实现这一潜力的核心。相较于传统的线性或非结构化存储方式，基于图结构的记忆模块凭借其关系建模、层次组织和高效检索能力，为 LLM 代理提供了更强大的支持。

关键技术

• 记忆提取：将原始数据（如文本、序列轨迹、多模态数据）转化为结构化的记忆单元，包括实体关系提取、语义嵌入编码、文本摘要等。
• 记忆存储：将提取的记忆单元组织存储在图结构中，包括知识图谱、时序图、超图、层次树/图和混合图等。
• 记忆检索：从记忆中检索相关信息以支持推理，包括基于相似度的检索、基于规则的检索、基于时序的检索和基于强化学习的检索等。
• 记忆演化：通过内部自反思和外部探索，不断更新记忆内容，包括记忆整合、图推理、图重组、反馈驱动适应和主动探究等。

应用场景

基于图结构的记忆模块在多种场景中展现出应用价值，包括：

• 对话代理：维护多轮对话的连贯性和个性化。
• 代码代理：支持复杂代码生成和调试。
• 金融代理：进行多步骤推理和风险管理工作。
• 游戏代理：在开放世界环境中进行多步规划和技能学习。
• 机器人与具身代理：在动态环境中进行长期操作和决策。
• 科学代理：进行实验设计和科学发现。
• 推荐系统：处理长期动态的用户历史记录。

挑战与未来方向

尽管基于图结构的记忆模块取得了显著进展，但仍面临一些挑战，例如记忆图质量、可扩展性和效率、隐私保护和安全性等。未来研究方向包括：

• 建立更完善的记忆图质量评估体系。
• 开发高效的图结构压缩、增量更新和近似检索算法。
• 设计支持隐私保护和安全防御机制。
• 研究多智能体系统中的记忆协调机制。
• 探索记忆模块的理论基础和与人类认知架构的对比。

开源库与基准测试

研报中列举了多个开源记忆库（如 Cognee、Mem0、Open-Memory）和基准测试数据集（如 LoCoMo、WebShop、AgentGym），为开发者提供参考和评估工具。