H-Mem: Hybrid Tree+KG Memory for Evolving Agent Memory — arXiv:2605.15701
摘要¶
H-Mem 提出一种混合结构记忆机制，结合时序语义树和知识图谱，同时建模记忆的时间演化过程和实体关系。短记忆数据通过时间树渐进演化为长记忆（提供摘要化信息），同时知识图谱捕获记忆中的实体关系。检索时利用树和图结构的混合优势，在三个 Agent 记忆基准上达到 SOTA。
核心贡献¶
- 混合结构：时序语义树 + 知识图谱的联合建模
- 渐进式演化：短记忆通过时间树逐步演化为长记忆（自动摘要）
- 结构感知检索：同时利用树的时序结构和图的语义关系进行检索
- 无需 LLM 调用进行记忆更新：基于结构规则演化，降低计算开销
为什么重要¶
现有 Agent 记忆系统面临两大瓶颈：无法建模记忆随时间的演化、检索时忽视记忆间的语义关联。H-Mem 通过时序树捕获记忆的时间维度演化，通过知识图谱建模实体关系，两者互补实现更全面的记忆利用。
与移动端/端侧的相关性¶
- 结构化表示 → 适合在端侧进行增量索引和检索
- 无需 LLM 调用记忆演化 → 降低端侧计算和 token 消耗
- 混合检索 → 在知识图谱上的图遍历可离线加速
方法细节¶
时序语义树： - 叶子节点：原始短记忆（对话片段、事件记录） - 内部节点：子记忆的摘要化表示 - 边：时间父子关系 + 语义相似关系 - 演化规则：定时将相似短记忆合并，生成父节点摘要
知识图谱： - 节点：记忆中的实体（人物、地点、概念） - 边：实体间关系（co-occurrence、语义相似、因果） - 与时序树双向关联：每个树节点可链接到 KG 中的相关实体
混合检索： 1. 在 KG 中进行实体中心检索（识别相关实体） 2. 在时序树中沿相关实体路径检索记忆节点 3. 融合两路结果，兼顾时序连贯性和语义相关性
实验结果¶
三个 Agent 记忆基准：
| Benchmark | H-Mem | 最佳基线 | 提升 |
|---|---|---|---|
| MemoryAgent-QA | 89.3% | 82.1% (MemoryBank) | +7.2% |
| ToolBench-Memory | 76.8% | 71.5% (RecAgent) | +5.3% |
| ChatHistory-QA | 84.2% | 78.9% (GPTCache) | +5.3% |
参考文献¶
参考文献待从原文补充。详见 https://arxiv.org/abs/2605.15701