Geheugen wordt gereconstrueerd, niet opgehaald: Graafgeheugen voor LLM-agenten

Samenvatting

Ondanks recente vooruitgang worstelen LLM-agenten nog steeds met redeneren over lange interactiegeschiedenissen. Terwijl huidige geheugengeaugmenteerde agenten vertrouwen op een statisch 'ophaal-then-redeneer'-paradigma, verhindert dit rigide pijplijnontwerp hen om dynamisch geheugentoegang aan te passen aan tussentijds bewijs dat tijdens inferentie wordt ontdekt. Om deze kloof te overbruggen, stellen we MRAgent voor, een raamwerk dat een associatieve geheugengrafiek combineert met een actief reconstructiemechanisme. We representeren geheugen als een Cue-Tag-Content-grafiek, waarbij associatieve tags dienen als semantische bruggen die fijnmazige aanwijzingen verbinden met geheugeninhoud. Werkend op deze structuur integreert ons actieve reconstructiemechanisme LLM-redeneren direct in geheugentoegang, waardoor de agent iteratief ophaalpaden kan verkennen en snoeien op basis van opgebouwd bewijs. Dit zorgt ervoor dat geheugenophaling dynamisch wordt aangepast aan de redeneercontext, terwijl combinatorische explosie door onbeperkte uitbreiding wordt vermeden. Experimenten op de LoCoMo-benchmark en LongMemEval-benchmark tonen significante verbeteringen aan ten opzichte van sterke basislijnen (tot 23%), terwijl de token- en rekentijdkosten aanzienlijk worden verminderd, wat de effectiviteit benadrukt van actieve en associatieve reconstructie voor geheugenredeneren over lange termijn.

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.