記憶は想起されるのではなく再構成される：LLMエージェントのためのグラフメモリ

要旨

近年の進展にもかかわらず、LLMエージェントは長い対話履歴にわたる推論に依然として苦戦している。現在のメモリ拡張エージェントは静的な「検索→推論」パラダイムに依存しているが、この rigid なパイプラインデザインにより、推論中に発見される中間的な証拠に基づいて動的にメモリアクセスを適応させることができない。このギャップを埋めるために、我々は連想メモリグラフと能動的再構成機構を組み合わせたフレームワークMRAgentを提案する。メモリをCue-Tag-Contentグラフとして表現し、連想タグが細粒度のキューとメモリ内容を結びつける意味的な橋渡しの役割を果たす。この構造に基づいて動作する能動的再構成機構は、LLMの推論をメモリアクセスに直接統合し、エージェントが蓄積された証拠に基づいて検索経路を反復的に探索・刈り込むことを可能にする。これにより、メモリ検索が推論コンテキストに動的に適応しつつ、制約のない拡張による組み合わせ爆発を回避できる。LoCoMoベンチマークとLongMemEvalベンチマークにおける実験では、強力なベースラインと比較して最大23%の顕著な改善を示し、トークン数および実行時間のコストを大幅に削減した。この結果は、長期間にわたるメモリ推論における能動的かつ連想的な再構成の有効性を強調している。

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.