La mémoire est reconstruite, pas récupérée : Mémoire en graphe pour les agents LLM

Résumé

Malgré les progrès récents, les agents LLM peinent encore à raisonner sur de longues histoires d'interaction. Alors que les agents actuels à mémoire augmentée reposent sur un paradigme statique de récupération puis raisonnement, cette conception rigide en pipeline les empêche d'adapter dynamiquement l'accès à la mémoire en fonction des indices intermédiaires découverts durant l'inférence. Pour combler cette lacune, nous proposons MRAgent, un cadre qui combine un graphe de mémoire associative avec un mécanisme de reconstruction active. Nous représentons la mémoire sous la forme d'un graphe Indice-Étiquette-Contenu, où des étiquettes associatives servent de ponts sémantiques reliant des indices fins aux contenus mémoire. Opérant sur cette structure, notre mécanisme de reconstruction active intègre directement le raisonnement du LLM dans l'accès à la mémoire, permettant à l'agent d'explorer et d'élaguer itérativement les chemins de récupération en fonction des preuves accumulées. Cela garantit que la récupération en mémoire est dynamiquement adaptée au contexte de raisonnement tout en évitant l'explosion combinatoire due à une expansion non contrainte. Les expériences sur le benchmark LoCoMo et le benchmark LongMemEval montrent des améliorations significatives par rapport aux bases de référence solides (jusqu'à 23 %), tout en réduisant considérablement les coûts en tokens et en temps d'exécution, soulignant l'efficacité de la reconstruction active et associative pour le raisonnement mémoire à long horizon.

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.