La memoria se reconstruye, no se recupera: Memoria de Grafos para Agentes de LLM

Resumen

A pesar de los avances recientes, los agentes basados en modelos de lenguaje de gran escala (LLM) aún presentan dificultades para razonar sobre historiales extensos de interacción. Mientras que los agentes actuales con aumento de memoria se apoyan en un paradigma estático de recuperar y luego razonar, este diseño rígido de tuberías impide que adapten dinámicamente el acceso a la memoria en función de la evidencia intermedia descubierta durante la inferencia. Para superar esta limitación, proponemos MRAgent, un marco que combina un grafo de memoria asociativa con un mecanismo de reconstrucción activa. Representamos la memoria como un grafo Clave-Etiqueta-Contenido, donde las etiquetas asociativas actúan como puentes semánticos que conectan señales detalladas con los contenidos de la memoria. Operando sobre esta estructura, nuestro mecanismo de reconstrucción activa integra directamente el razonamiento del LLM en el acceso a la memoria, permitiendo que el agente explore y pode iterativamente las rutas de recuperación en función de la evidencia acumulada. Esto asegura que la recuperación de la memoria se adapte dinámicamente al contexto de razonamiento, evitando al mismo tiempo la explosión combinatoria provocada por una expansión no restringida. Los experimentos en el punto de referencia LoCoMo y en el punto de referencia LongMemEval demuestran mejoras significativas sobre líneas base sólidas (de hasta el 23 %), al tiempo que reducen sustancialmente el costo en términos de tokens y tiempo de ejecución, lo que resalta la efectividad de la reconstrucción activa y asociativa para el razonamiento de memoria a largo plazo.

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.