跳转至

GRAVITY: Architecture-Agnostic Structured Anchoring for Long-Horizon Conversational Memory

论文概述

核心问题：现有对话记忆系统在检索后，将记忆片段以非结构化文本形式喂给 LLM，缺乏复杂推理所需的关系、时间、主题结构。

解决思路：GRAVITY（Generation-time Relational Anchoring Via Injected Topological Memory）从对话语料中提取三类结构化知识表示，在生成时以结构化锚定上下文注入宿主模型，无需修改宿主架构。

核心贡献

  1. 三种结构化知识表示
  2. Entity Profiles：基于关系图谱的实体画像
  3. Temporal Event Tuples：链接为因果链的时间事件元组

  4. Cross-Session Topic Summaries：跨会话主题摘要

  5. 即插即用的模块化设计：不依赖特定模型架构，可接入任意记忆系统

  6. 广泛有效性验证：在 LongMemEval 和 LoCoMo 两个基准上评测了 5 种不同记忆系统，平均 LLM-Judge 准确率提升 7.5–10.1%

为什么重要

  • 最弱宿主提升 12.2%，最强宿主仍提升 3.8–5.7%——结构化锚定是普遍有效的增强范式
  • 为长期对话记忆的结构化推理提供了新方向

与端侧/移动端相关性

  1. 架构无关性：无需修改宿主模型，适合移动端轻量级记忆系统的模块化升级
  2. 提示工程而非训练：不引入额外训练负担，适合资源受限的端侧部署

参考链接

  • arXiv: https://arxiv.org/abs/2605.01688