APEX-MEM: Agentic Semi-Structured Memory with Temporal Reasoning for Long-Term Conversational AI¶
论文信息¶
- arXiv ID: 2604.14362
- 作者: Pratyay Banerjee, Masud Moshtaghi, Shivashankar Subramanian, Amita Misra, Ankit Chadha
- 发表日期: 2026-04-15
- 方向: 记忆的表示与存储、知识图谱
- 代码: 未公开
摘要（翻译）¶
大型语言模型在可靠的长期对话记忆方面仍然表现不佳——简单地扩大上下文窗口或应用朴素检索往往会引入噪声并使响应不稳定。
APEX-MEM 是一个对话记忆系统，结合三个关键创新：
- 属性图（Property Graph）：使用领域无关的本体论将对话构建为以实体为中心框架中时间接地的事件
- 只追加存储（Append-Only Storage）：保留信息的完整时序演化
- 多工具检索智能体：理解和解决查询时冲突或演化信息，生成紧凑且上下文相关的记忆摘要
这种检索时解析策略在保留完整交互历史的同时抑制无关细节。APEX-MEM 在 LOCOMO 问答任务上达到 88.88% 准确率，在 LongMemEval 上达到 86.2%，优于最先进的会话感知方法，证明了结构化属性图能够实现更具时间连贯性的长期对话推理。
核心贡献¶
1. 属性图记忆结构¶
APEX-MEM 不使用扁平向量表示，而是将对话历史构建为属性图： - 节点：实体（人、地点、对象、事件） - 边：实体间关系（时序关系、语义关系） - 属性：实体的时序属性和元数据
领域无关的本体论使其可以跨不同领域的对话使用。
2. 只追加存储（Append-Only）¶
与覆盖式更新不同，APEX-MEM 采用只追加策略： - 保留信息的完整时序演化轨迹 - 当事实更新时，新值作为新节点追加，保留历史版本 - 支持查询时的时序推理（"当时的情况如何" vs "现在的情况如何"）
3. 多工具检索智能体¶
检索时解决冲突是一个关键设计选择： - 当多个记忆节点描述同一实体但有矛盾信息时，检索智能体进行解析 - 可以根据查询的时间范围返回正确版本的记忆 - 生成紧凑记忆摘要而非直接暴露图结构
实验结果¶
| 基准 | APEX-MEM | 最先进方法 |
|---|---|---|
| LOCOMO QA | 88.88% | 85.3% |
| LongMemEval | 86.2% | 82.1% |
为什么重要¶
APEX-MEM 的核心洞察是：对于长期对话记忆，结构化表示优于扁平检索。主要贡献：
- 时序感知：通过保留完整时序演化，支持"当时 vs 现在"的推理查询
- 冲突解决：检索时解析而非写入时强制覆盖，保留了记忆的多版本性
- 领域无关：不需要预定义的领域本体，可适应各类对话场景
与端侧/移动端相关性¶
- 属性图的压缩效率：相比全量向量存储，属性图的稀疏结构在存储上更高效
- 只追加写入简单：避免复杂的更新事务，适合资源受限的端侧实现
- 多工具检索的模块性：检索智能体可以独立优化，适合端侧场景的定制化部署