La memoria conta di più: la memoria incentrata sugli eventi come mappa logica per la ricerca e il ragionamento degli agenti
Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning
January 8, 2026
Autori: Yuyang Hu, Jiongnan Liu, Jiejun Tan, Yutao Zhu, Zhicheng Dou
cs.AI
Abstract
I grandi modelli linguistici (LLM) vengono sempre più impiegati come agenti intelligenti in grado di ragionare, pianificare e interagire con il proprio ambiente. Per scalare efficacemente in scenari a lungo termine, una capacità fondamentale per tali agenti è un meccanismo di memoria che possa conservare, organizzare e recuperare esperienze passate per supportare il processo decisionale. Tuttavia, la maggior parte degli approcci esistenti organizza e memorizza i ricordi in modo piatto e si affida a semplici tecniche di recupero basate sulla similarità. Anche quando viene introdotta una memoria strutturata, i metodi attuali spesso faticano a catturare esplicitamente le relazioni logiche tra le esperienze o le unità di memoria. Inoltre, l'accesso alla memoria è largamente scollegato dalla struttura costruita e dipende ancora da un recupero semantico superficiale, impedendo agli agenti di ragionare logicamente su dipendenze a lungo termine. In questo lavoro, proponiamo CompassMem, un framework di memoria incentrato sugli eventi e ispirato alla Teoria della Segmentazione degli Eventi. CompassMem organizza la memoria come un Grafo degli Eventi, segmentando incrementalmente le esperienze in eventi e collegandoli attraverso relazioni logiche esplicite. Questo grafo funge da mappa logica, consentendo agli agenti di eseguire una navigazione strutturata e finalizzata sulla memoria che va oltre il recupero superficiale, raccogliendo progressivamente ricordi preziosi per supportare il ragionamento a lungo termine. Esperimenti su LoCoMo e NarrativeQA dimostrano che CompassMem migliora costantemente le prestazioni sia di recupero che di ragionamento su molteplici modelli di base.
English
Large language models (LLMs) are increasingly deployed as intelligent agents that reason, plan, and interact with their environments. To effectively scale to long-horizon scenarios, a key capability for such agents is a memory mechanism that can retain, organize, and retrieve past experiences to support downstream decision-making. However, most existing approaches organize and store memories in a flat manner and rely on simple similarity-based retrieval techniques. Even when structured memory is introduced, existing methods often struggle to explicitly capture the logical relationships among experiences or memory units. Moreover, memory access is largely detached from the constructed structure and still depends on shallow semantic retrieval, preventing agents from reasoning logically over long-horizon dependencies. In this work, we propose CompassMem, an event-centric memory framework inspired by Event Segmentation Theory. CompassMem organizes memory as an Event Graph by incrementally segmenting experiences into events and linking them through explicit logical relations. This graph serves as a logic map, enabling agents to perform structured and goal-directed navigation over memory beyond superficial retrieval, progressively gathering valuable memories to support long-horizon reasoning. Experiments on LoCoMo and NarrativeQA demonstrate that CompassMem consistently improves both retrieval and reasoning performance across multiple backbone models.