Herdenken van geheugen als continu evoluerende connectiviteit

Samenvatting

Bestaande geheugengeaugmenteerde LLM-agenten behandelen geheugen vaak als een statische opslagplaats met vooraf gedefinieerde representaties en vaste ophaalprocessen, wat kwetsbaar is in dynamische agentische omgevingen waar feedback, taakvariatie en heterogene signalen continu hervormen wat onthouden moet worden en hoe het verbonden moet worden. Om dit aan te pakken stellen wij FluxMem voor, een connectiviteit-evoluerend geheugenframework dat geheugen modelleert als een heterogene graaf en stapsgewijs de topologie verfijnt door drie fasen: initiële verbindingsvorming, feedbackgestuurde verfijning en langetermijnconsolidatie. Tijdens de uitvoering repareert FluxMem ontbrekende verbindingen, snoeit interferentie, stemt abstractiegranulariteit af en distilleert terugkerende succesvolle trajecten tot herbruikbare procedurele circuits, geleid door één metriek voor geheugen generaliseerbaarheid en evolutionaire volwassenheid. Over drie fundamenteel verschillende benchmarks, waaronder LoCoMo, Mind2Web en GAIA, behaalt FluxMem consistente state-of-the-art prestaties, wat sterke aanpassing en generalisatie in complexe agentische omgevingen aantoont. De code zal als open source beschikbaar worden gesteld op https://github.com/zjunlp/LightMem.

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.