港理工提出 Graph-based Agent Memory 综述：用图结构实现可进化的长期智能体记忆系统

一句话总结本工作系统性梳理了基于图结构的 Agent Memory 技术体系提出以 Memory Graph 为核心的智能体记忆范式实现长期经验积累、结构化推理与自进化能力。 背景问题当前基于 LLM 的 Agent 在长期复杂任务中仍存在三方面核心瓶颈1️⃣ 知识截止Knowledge Cutoff难以融合实时环境与部署后经验2️⃣ 工具使用能力有限难以高效学习新工具并形成策略3️⃣ 无法积累历史交互经验在长时序任务中反复犯错缺乏自我改进能力。传统的向量库、KV-buffer 或对话日志等 Memory 结构仅支持语义相似度检索缺乏对因果关系、时间依赖与层级语义的建模能力难以支撑复杂推理任务。 方法简介论文提出 Graph-based Agent Memory 作为统一记忆框架将 Memory 建模为动态结构化 Memory Graph• 将实体、事件、交互经验等记忆单元表示为节点• 将语义、时间、因果等关系表示为边从而实现显式关系建模支持多跳推理分层语义组织支持任务抽象与规划时间依赖建模支持长期轨迹学习子图检索支持结构化 reasoning并从 Memory 生命周期角度提出四阶段管理流程① Memory Extraction从文本、多模态或交互轨迹中提取结构化记忆单元② Memory Storage组织为 KG / Temporal Graph / Hypergraph 等结构③ Memory Retrieval基于语义-结构-策略联合检索④ Memory Evolution通过反馈进行自我更新与抽象压缩。在此框架下记忆被划分为Knowledge Memory静态客观世界知识Experience Memory动态交互轨迹与反馈二者协同支撑 Agent 的个性化决策与长期自适应学习能力。 实验与应用分析Graph-based Memory 在多轮对话理解、层级任务规划、神经符号推理等场景中均表现出更强的长期一致性与幻觉抑制能力相较传统 Linear / Vector MemoryGraph Memory 能支持时间单调性约束推理如 MemoTime多实体高阶关系建模如 HyperGraphRAG跨模态经验轨迹存储Hybrid Memory被广泛应用于软件工程 Agent、多会话对话系统、推荐系统、金融决策、机器人规划及科学发现等长期任务场景。✨ 一句话点评Graph-based Memory 正在将 Agent 从“短期上下文驱动的生成模型”升级为“具备长期经验与结构化认知能力的持续学习系统”Memory 才是 Agent-R1 时代真正的 scaling law。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】