Neubetrachtung des Gedächtnisses als sich kontinuierlich entwickelnde Konnektivität

Zusammenfassung

Bestehende speichergestützte LLM-Agenten behandeln Gedächtnis oft als statisches Repository mit vordefinierten Repräsentationen und festen Abrufpipelines, was in dynamischen agentischen Umgebungen, in denen Feedback, Aufgabenvarianz und heterogene Signale kontinuierlich neu formen, was gespeichert und wie es verbunden werden sollte, zerbrechlich ist. Um dem entgegenzuwirken, schlagen wir FluxMem vor, ein verbindungsevolvierendes Gedächtnisframework, das Gedächtnis als heterogenen Graphen modelliert und seine Topologie schrittweise durch drei Stufen verfeinert: anfängliche Verbindungsbildung, feedbackgesteuerte Verfeinerung und langfristige Konsolidierung. Während der Ausführung repariert FluxMem fehlende Verbindungen, beseitigt Interferenzen, gleicht die Abstraktionsgranularität an und destilliert wiederkehrende erfolgreiche Trajektorien in wiederverwendbare prozedurale Schaltkreise, geleitet von einer Metrik für Gedächtnisgeneralisierbarkeit und evolutionäre Reife. Über drei grundlegend unterschiedliche Benchmarks, darunter LoCoMo, Mind2Web und GAIA, erzielt FluxMem konsistente State-of-the-Art-Leistung und demonstriert starke Anpassungs- und Generalisierungsfähigkeiten in komplexen agentischen Umgebungen. Der Code wird unter https://github.com/zjunlp/LightMem als Open Source veröffentlicht.

English

Existing memory-augmented LLM agents often treat memory as a static repository with pre-defined representations and fixed retrieval pipelines, which is brittle in dynamic agentic environments where feedback, task variation, and heterogeneous signals continuously reshape what should be remembered and how it should be connected. To address this, we propose FluxMem, a connectivity-evolving memory framework that models memory as a heterogeneous graph and progressively refines its topology through three stages: initial connection formation, feedback-driven refinement, and long-term consolidation. During execution, FluxMem repairs missing links, prunes interference, aligns abstraction granularity, and distills recurrent successful trajectories into reusable procedural circuits, guided by one metric for memory generalizability and evolutionary maturity. Across three fundamentally distinct benchmarks including LoCoMo, Mind2Web, and GAIA, FluxMem achieves consistent state-of-the-art performance, demonstrating strong adaptation and generalization in complex agentic environments. The code will be open-sourced in https://github.com/zjunlp/LightMem.