A memória é reconstruída, não recuperada: Memória em Grafo para Agentes LLM

Resumo

Apesar dos recentes avanços, os agentes de LLM ainda enfrentam dificuldades no raciocínio sobre longos históricos de interação. Embora os agentes atuais com memória aumentada dependam de um paradigma estático de recuperação seguida de raciocínio, esse design rígido de pipeline impede que eles adaptem dinamicamente o acesso à memória com base em evidências intermediárias descobertas durante a inferência. Para superar essa lacuna, propomos o MRAgent, uma estrutura que combina um grafo de memória associativa com um mecanismo de reconstrução ativa. Representamos a memória como um grafo Sinal-Etiqueta-Conteúdo, onde etiquetas associativas servem como pontes semânticas conectando sinais de granularidade fina aos conteúdos de memória. Operando sobre essa estrutura, nosso mecanismo de reconstrução ativa integra o raciocínio do LLM diretamente no acesso à memória, permitindo ao agente explorar e podar iterativamente caminhos de recuperação com base em evidências acumuladas. Isso garante que a recuperação da memória seja adaptada dinamicamente ao contexto de raciocínio, evitando ao mesmo tempo a explosão combinatória causada pela expansão sem restrições. Experimentos nos benchmarks LoCoMo e LongMemEval demonstram melhorias significativas em relação a linhas de base fortes (de até 23%), além de reduzir substancialmente o custo de tokens e tempo de execução, destacando a eficácia da reconstrução ativa e associativa para o raciocínio de memória de longo horizonte.

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.