記憶を継続的に進化する接続性として再考する

要旨

既存のメモリ拡張型LLMエージェントは、多くの場合、メモリを静的なリポジトリとして扱い、事前定義された表現と固定された検索パイプラインに依存している。しかし、フィードバック、タスクの多様性、異種シグナルが記憶すべき内容とその結びつき方を絶えず変化させる動的なエージェント環境において、このアプローチは脆弱である。この課題に対処するため、我々はFluxMemを提案する。これは、メモリを異種グラフとしてモデル化し、そのトポロジを3つの段階（初期接続形成、フィードバック駆動による洗練、長期統合）を通じて漸進的に洗練する、接続性進化型メモリフレームワークである。実行中、FluxMemは欠落したリンクを修復し、干渉を除去し、抽象化の粒度を調整し、反復的な成功軌跡を再利用可能な手続き回路へと蒸留する。これらは、メモリの汎化性と進化的成熟度を測る単一の指標に導かれて行われる。LoCoMo、Mind2Web、GAIAという3つの根本的に異なるベンチマークにおいて、FluxMemは一貫して最先端の性能を達成し、複雑なエージェント環境における強力な適応性と汎化性を示した。コードはhttps://github.com/zjunlp/LightMemで公開予定である。

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.