Gedächtnis wird rekonstruiert, nicht abgerufen: Graph Memory für LLM-Agenten

Zusammenfassung

Trotz jüngster Fortschritte haben LLM-Agenten weiterhin Schwierigkeiten mit dem Reasoning über lange Interaktionsverläufe. Während aktuelle speichergestützte Agenten auf ein statisches Retrieve-then-Reason-Paradigma setzen, verhindert diese starre Pipeline-Architektur, dass sie den Speicherzugriff dynamisch an während der Inferenz entdeckte Zwischenevidenz anpassen können. Um diese Lücke zu schließen, schlagen wir MRAgent vor, ein Framework, das einen assoziativen Speichergraphen mit einem aktiven Rekonstruktionsmechanismus kombiniert. Wir repräsentieren den Speicher als Cue-Tag-Content-Graphen, wobei assoziative Tags als semantische Brücken dienen, die feinkörnige Cues mit Speicherinhalten verbinden. Auf dieser Struktur aufbauend integriert unser aktiver Rekonstruktionsmechanismus das LLM-Reasoning direkt in den Speicherzugriff, sodass der Agent basierend auf akkumulierter Evidenz iterativ Abrufpfade erkunden und beschneiden kann. Dies stellt sicher, dass der Speicherzugriff dynamisch an den Reasoning-Kontext angepasst wird, während eine kombinatorische Explosion durch unkontrollierte Expansion vermieden wird. Experimente auf dem LoCoMo-Benchmark und dem LongMemEval-Benchmark zeigen signifikante Verbesserungen gegenüber starken Baselines (bis zu 23%) bei gleichzeitiger deutlicher Reduzierung der Token- und Laufzeitkosten, was die Wirksamkeit der aktiven und assoziativen Rekonstruktion für das Reasoning über lange Speicherhorizonte unterstreicht.

English

Despite recent progress, LLM agents still struggle with reasoning over long interaction histories. While current memory-augmented agents rely on a static retrieve-then-reason paradigm, this rigid pipeline design prevents them from dynamically adapting memory access to intermediate evidence discovered during inference. To bridge this gap, we propose MRAgent, a framework that combines an associative memory graph with an active reconstruction mechanism. We represent memory as a Cue-Tag-Content graph, where associative tags serve as semantic bridges connecting fine-grained cues to memory contents. Operating on this structure, our active reconstruction mechanism integrates LLM reasoning directly into memory access, allowing the agent to iteratively explore and prune retrieval paths based on accumulated evidence. This ensures that memory retrieval is dynamically adapted to the reasoning context while avoiding combinatorial explosion caused by unconstrained expansion. Experiments on the LoCoMo benchmark and LongMemEval benchmark demonstrate significant improvements over strong baselines (up to 23%), while substantially reducing token and runtime cost, highlighting the effectiveness of active and associative reconstruction for long-horizon memory reasoning.