지속적으로 진화하는 연결성으로서의 기억 재고

초록

기존의 메모리 증강 LLM 에이전트는 종종 메모리를 사전 정의된 표현과 고정된 검색 파이프라인을 가진 정적 저장소로 취급하는데, 이는 피드백, 작업 변동성, 이질적 신호가 지속적으로 무엇을 기억해야 하고 어떻게 연결해야 하는지를 재구성하는 동적 에이전트 환경에서 취약합니다. 이를 해결하기 위해, 우리는 FluxMem을 제안합니다. 이는 메모리를 이종 그래프로 모델링하고 초기 연결 형성, 피드백 기반 정제, 장기 통합의 세 단계를 통해 점진적으로 토폴로지를 개선하는 연결성 진화 메모리 프레임워크입니다. 실행 중 FluxMem은 누락된 링크를 복구하고, 간섭을 제거하며, 추상화 세분성을 정렬하고, 반복되는 성공적인 궤적을 재사용 가능한 절차적 회로로 추출합니다. 이는 메모리 일반화 가능성과 진화적 성숙도를 위한 하나의 지표에 의해 안내됩니다. LoCoMo, Mind2Web, GAIA를 포함한 세 가지 근본적으로 다른 벤치마크에서 FluxMem은 일관된 최첨단 성능을 달성하며, 복잡한 에이전트 환경에서 강력한 적응과 일반화를 보여줍니다. 코드는 https://github.com/zjunlp/LightMem에서 오픈소스로 공개될 예정입니다.

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.