Strukturiertes episodisches Ereignisgedächtnis

papers.abstract

Aktuelle Ansätze für das Gedächtnis in Large Language Models (LLMs) stützen sich überwiegend auf statisches Retrieval-Augmented Generation (RAG), was häufig zu verstreutem Abruf führt und die strukturellen Abhängigkeiten, die für komplexes Schlussfolgern erforderlich sind, nicht erfassen kann. Für autonome Agenten mangelt es diesen passiven und flachen Architekturen an der kognitiven Organisation, die notwendig ist, um die dynamische und assoziative Natur langfristiger Interaktionen zu modellieren. Um dies zu adressieren, schlagen wir Structured Episodic Event Memory (SEEM) vor, einen hierarchischen Rahmen, der eine Graph-Gedächtnisschicht für relationale Fakten mit einer dynamischen episodischen Gedächtnisschicht für den narrativen Fortgang synergetisch verbindet. Basierend auf der kognitiven Frame-Theorie transformiert SEEM Interaktionsströme in strukturierte Episodic Event Frames (EEFs), die durch präzise Herkunftsnachweise verankert sind. Darüber hinaus führen wir einen agentenbasierten assoziativen Fusionsmechanismus und Reverse Provenance Expansion (RPE) ein, um kohärente narrative Kontexte aus fragmentarischen Belegen zu rekonstruieren. Experimentelle Ergebnisse auf den Benchmarks LoCoMo und LongMemEval demonstrieren, dass SEEM die Baseline-Modelle signifikant übertrifft und es Agenten ermöglicht, eine überlegene narrative Kohärenz und logische Konsistenz beizubehalten.

English

Current approaches to memory in Large Language Models (LLMs) predominantly rely on static Retrieval-Augmented Generation (RAG), which often results in scattered retrieval and fails to capture the structural dependencies required for complex reasoning. For autonomous agents, these passive and flat architectures lack the cognitive organization necessary to model the dynamic and associative nature of long-term interaction. To address this, we propose Structured Episodic Event Memory (SEEM), a hierarchical framework that synergizes a graph memory layer for relational facts with a dynamic episodic memory layer for narrative progression. Grounded in cognitive frame theory, SEEM transforms interaction streams into structured Episodic Event Frames (EEFs) anchored by precise provenance pointers. Furthermore, we introduce an agentic associative fusion and Reverse Provenance Expansion (RPE) mechanism to reconstruct coherent narrative contexts from fragmented evidence. Experimental results on the LoCoMo and LongMemEval benchmarks demonstrate that SEEM significantly outperforms baselines, enabling agents to maintain superior narrative coherence and logical consistency.