Geheugen Doet Er Meer Toe: Gebeurtenisgericht Geheugen als Logische Kaart voor Zoek- en Redeneergedrag van Agents
Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning
January 8, 2026
Auteurs: Yuyang Hu, Jiongnan Liu, Jiejun Tan, Yutao Zhu, Zhicheng Dou
cs.AI
Samenvatting
Grootschalige taalmodelen (LLM's) worden steeds vaker ingezet als intelligente agenten die redeneren, plannen en interacteren met hun omgeving. Voor een effectieve schaalvergroting naar scenario's met een lange tijdslijn is een cruciaal vermogen van dergelijke agenten een geheugenmechanisme dat eerdere ervaringen kan vasthouden, organiseren en ophalen om besluitvorming te ondersteunen. De meeste bestaande methoden organiseren en slaan geheugen echter op een vlakke manier op en vertrouwen op eenvoudige, op gelijkenis gebaseerde ophaaltechnieken. Zelfs wanneer gestructureerd geheugen wordt geïntroduceerd, worstelen bestaande methoden vaak met het expliciet vastleggen van de logische relaties tussen ervaringen of geheugeneenheden. Bovendien is geheugentoegang grotendeels losgekoppeld van de opgebouwde structuur en blijft deze afhankelijk van ondiepe semantische retrieval, wat agenten verhindert logisch te redeneren over afhankelijkheden op lange termijn. In dit werk stellen we CompassMem voor, een gebeurtenisgericht geheugenkader geïnspireerd op de Event Segmentation Theory. CompassMem organiseert geheugen als een gebeurtenisgraaf door ervaringen incrementeel te segmenteren in gebeurtenissen en deze via expliciete logische relaties te verbinden. Deze graaf dient als een logische kaart, waardoor agenten gestructureerde en doelgerichte navigatie door het geheugen kunnen uitvoeren, verdergaand dan oppervlakkige retrieval, en zo geleidelijk waardevolle herinneringen kunnen verzamelen om redeneringen op lange termijn te ondersteunen. Experimenten op LoCoMo en NarrativeQA tonen aan dat CompassMem consistent zowel de retrieval- als de redeneerprestaties verbetert over meerdere basismodellen heen.
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.