跳转至

type: concept tags: [Agent, 记忆, 知识图谱, LLM, 插件模块, 任务无关] related: [[agent-persistent-identity]], [[mga-memory-gui-agent]], [[memory-worth-governance]], [[exectune-guide-core-policy]], [[summarize-agent-memory]] sources: - url: https://arxiv.org/abs/2603.03296v1 title: "PlugMem: A Task-Agnostic Plugin Memory Module for LLM Agents" date: 2026-03-05 reliability: high created: 2026-04-19 updated: 2026-04-19

PlugMem: 任务无关的 LLM Agent 插件内存模块

基于认知科学启发的知识中心记忆图，将情节记忆压缩为命题性和规定性知识，实现跨任务的高效记忆检索与推理

核心问题

LLM Agent 的长期记忆面临两难困境： - 任务特定记忆：高效但不可迁移，每次新任务需要重新设计 - 任务无关记忆：通用但效果差，原始记忆检索导致低任务相关性和上下文爆炸

如何设计一种既能附加到任意 LLM Agent、又保持高效的记忆模块？

方法/架构

知识中心记忆图

PlugMem 借鉴认知科学，将情节记忆（episodic memory）结构化为紧凑的、可扩展的知识中心记忆图，明确表示两种知识类型： - 命题性知识（Propositional）：关于世界的事实陈述 - 规定性知识（Prescriptive）：关于如何行动的指导规则

与 GraphRAG 的区别

GraphRAG 以实体或文本块为记忆访问和组织的基本单位；PlugMem 则以知识为单位。这使得记忆检索聚焦于决策相关信息，而非冗长的原始轨迹。

插件式架构

作为任务无关的插件模块，PlugMem 可以直接附加到任意 LLM Agent，无需任务特定的重新设计。记忆管理与推理逻辑解耦。

实验结果

在三个异构基准上评估（未经任何任务特定调整）： 1. 长程对话问答：超越任务无关基线，达到或超过任务特定记忆设计 2. 多跳知识检索：在复杂推理链中保持高效检索 3. Web Agent 任务：在需要长期记忆的网页操作中表现优异

在统一的信息论分析下，PlugMem 实现了最高的信息密度。

关键洞察

  1. 知识而非轨迹：决策相关信息集中在抽象知识而非原始经验中。这意味着"回忆学到了什么"比回忆"具体做了什么"更有价值——直接启示端侧 Agent 的记忆压缩策略

  2. 认知科学的工程价值：将认知科学中的命题性/规定性知识区分应用到工程系统，产生了可验证的性能提升

  3. 插件范式的力量：与需要任务特定设计的记忆方案不同，PlugMem 的插件架构降低了 Agent 记忆系统的集成成本——这对移动 AIOS 中多种 Agent 共享记忆基础设施的场景尤为重要

  4. 信息密度作为核心指标：用信息论框架统一评估不同记忆方案，提供了客观的比较基准

为什么重要

PlugMem 解决了 Agent 记忆系统的一个根本矛盾：通用性与效率。在移动 AIOS 中，多个 Agent（个人助理、日程管理、健康监测等）需要共享记忆基础设施，但各自的任务域差异巨大。PlugMem 的插件式知识图谱提供了一种可能的统一方案。

此外，其知识压缩策略天然适合端侧资源受限环境——存储知识而非原始轨迹，大幅降低内存占用。

关联

  • [[agent-persistent-identity]] — PlugMem 的知识图谱为 Agent 跨会话身份提供记忆基础
  • [[mga-memory-gui-agent]] — MGA 的记忆驱动机制与 PlugMem 的知识检索互补
  • [[memory-worth-governance]] — 记忆治理需要高效的检索和压缩，PlugMem 提供方法论
  • [[exectune-guide-core-policy]] — 规定性知识对应 Guide 模型的策略引导
  • [[summarize-agent-memory]] — 记忆摘要策略与 PlugMem 的知识压缩方向一致