Repenser la mémoire comme une connectivité en constante évolution

Résumé

Les agents LLM à mémoire augmentée existants traitent souvent la mémoire comme un référentiel statique avec des représentations prédéfinies et des pipelines de récupération fixes, ce qui est fragile dans des environnements agentiques dynamiques où les retours d'information, la variation des tâches et les signaux hétérogènes remodèlent en permanence ce qui doit être mémorisé et comment cela doit être connecté. Pour y remédier, nous proposons FluxMem, un cadre de mémoire à connectivité évolutive qui modélise la mémoire comme un graphe hétérogène et affine progressivement sa topologie en trois étapes : formation initiale des connexions, raffinement guidé par les retours, et consolidation à long terme. Pendant l'exécution, FluxMem répare les liens manquants, élimine les interférences, aligne la granularité d'abstraction et distille les trajectoires réussies récurrentes en circuits procéduraux réutilisables, guidé par une métrique de généralisabilité de la mémoire et de maturité évolutive. Sur trois références fondamentalement distinctes, notamment LoCoMo, Mind2Web et GAIA, FluxMem obtient des performances de pointe constantes, démontrant une forte adaptation et généralisation dans des environnements agentiques complexes. Le code sera rendu open source sur https://github.com/zjunlp/LightMem.

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.