Структурированная эпизодическая память о событиях

Аннотация

Современные подходы к организации памяти в больших языковых моделях (БЯМ) в основном опираются на статический поисково-дополняемый генеративный подход (Retrieval-Augmented Generation, RAG), который часто приводит к фрагментированному поиску и не позволяет уловить структурные зависимости, необходимые для сложных рассуждений. Для автономных агентов такие пассивные и «плоские» архитектуры лишены когнитивной организации, требуемой для моделирования динамической и ассоциативной природы долгосрочного взаимодействия. Для решения этой проблемы мы предлагаем Иерархическую Эпизодическую Память Событий (Structured Episodic Event Memory, SEEM) — фреймворк, который объединяет графовый слой памяти для реляционных фактов и динамический эпизодический слой памяти для нарративного прогресса. Основываясь на когнитивной теории фреймов, SEEM преобразует потоки взаимодействия в структурированные Эпизодические Фреймы Событий (Episodic Event Frames, EEFs), закрепленные точными указателями происхождения. Кроме того, мы вводим механизм ассоциативного слияния на уровне агента и Обратного Расширения Происхождения (Reverse Provenance Expansion, RPE) для реконструкции связных нарративных контекстов из фрагментированных свидетельств. Результаты экспериментов на бенчмарках LoCoMo и LongMemEval показывают, что SEEM значительно превосходит базовые методы, позволяя агентам поддерживать высокую нарративную связность и логическую последовательность.

English

Current approaches to memory in Large Language Models (LLMs) predominantly rely on static Retrieval-Augmented Generation (RAG), which often results in scattered retrieval and fails to capture the structural dependencies required for complex reasoning. For autonomous agents, these passive and flat architectures lack the cognitive organization necessary to model the dynamic and associative nature of long-term interaction. To address this, we propose Structured Episodic Event Memory (SEEM), a hierarchical framework that synergizes a graph memory layer for relational facts with a dynamic episodic memory layer for narrative progression. Grounded in cognitive frame theory, SEEM transforms interaction streams into structured Episodic Event Frames (EEFs) anchored by precise provenance pointers. Furthermore, we introduce an agentic associative fusion and Reverse Provenance Expansion (RPE) mechanism to reconstruct coherent narrative contexts from fragmented evidence. Experimental results on the LoCoMo and LongMemEval benchmarks demonstrate that SEEM significantly outperforms baselines, enabling agents to maintain superior narrative coherence and logical consistency.