跳转至

GAM: Graph Agentic Memory

论文基本信息

  • 作者: Chenxu Wang, et al.
  • arXiv: https://arxiv.org/abs/2604.12285
  • 领域: cs.AI, cs.MA

摘要

GAM 提出用图结构作为 Agent 记忆的表示基础，将 Agent 的交互历史建模为异构图，节点类型包括实体、动作、时间戳、环境状态等，边类型包括因果关系、时序关系、语义相似关系等。图结构使 Agent 能够进行多跳推理和路径搜索，支持复杂的记忆查询（如"找出所有在咖啡店发生且涉及我的动作"）。GAM 在多跳推理和反事实推理任务上显著优于平面记忆基线。

核心贡献

  1. Graph-based Memory Representation: 首个全面使用图结构作为 Agent 记忆表示的框架
  2. Heterogeneous Memory Graph: 异构图包含多种节点和边类型
  3. Multi-hop Reasoning: 支持多跳推理和路径搜索
  4. Counterfactual Reasoning: 支持反事实记忆推理
  5. 显著性能提升: 多跳推理和反事实任务上显著优于平面记忆

研究背景与问题

平面文本记忆（如向量存储）无法表达实体间的复杂关系，导致多跳推理和反事实推理困难。图结构记忆是解决这一问题的自然方案。

核心方法

  1. Memory Graph Construction: 从 Agent 交互历史自动构建记忆图
  2. Heterogeneous Node/Edge Types: 实体、动作、时间、环境等多种节点/边类型
  3. Graph Neural Memory Reader: 图神经网络记忆读取器
  4. Query-to-Graph Matching: 将自然语言查询转换为图查询
  5. Path-based Retrieval: 基于路径的复杂记忆检索

为什么重要

GAM 将知识图谱领域的图表示技术系统性地引入 Agent 记忆，为复杂记忆推理提供了结构化基础。对需要多跳推理能力的 Agent（如研究助手、分析师）有重要价值。

与移动端/端侧相关性

  1. 图结构紧凑性: 图结构比平面文本更紧凑，适合端侧存储
  2. GNN 高效变体: 移动端可使用轻量级 GNN 变体
  3. 复杂查询支持: 移动端 Agent 需要支持复杂记忆查询
  4. 隐私保护: 图结构支持细粒度的记忆访问控制