Память важнее: событийно-ориентированная память как логическая карта для поиска и рассуждений агента

Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning

January 8, 2026

Авторы: Yuyang Hu, Jiongnan Liu, Jiejun Tan, Yutao Zhu, Zhicheng Dou

cs.AI

Аннотация

Крупные языковые модели (LLM) все чаще используются в качестве интеллектуальных агентов, способных к рассуждению, планированию и взаимодействию с окружающей средой. Для эффективного масштабирования в сценариях с длительным горизонтом планирования ключевой способностью таких агентов является механизм памяти, который может сохранять, организовывать и извлекать прошлый опыт для поддержки принятия решений. Однако большинство существующих подходов организуют и хранят память линейным образом и полагаются на простые методы поиска на основе сходства. Даже при введении структурированной памяти существующие методы часто не способны явно фиксировать логические связи между опытом или элементами памяти. Более того, доступ к памяти в значительной степени оторван от построенной структуры и по-прежнему зависит от поверхностного семантического поиска, что мешает агентам логически рассуждать о долгосрочных зависимостях. В данной работе мы предлагаем CompassMem — ориентированную на события архитектуру памяти, вдохновленную Теорией Сегментации Событий. CompassMem организует память в виде Графа Событий, инкрементально сегментируя опыт на события и связывая их через явные логические отношения. Этот граф служит логической картой, позволяя агентам осуществлять структурированную и целенаправленную навигацию по памяти, выходящую за рамки поверхностного поиска, и постепенно собирать ценные воспоминания для поддержки долгосрочных рассуждений. Эксперименты на наборах данных LoCoMo и NarrativeQA демонстрируют, что CompassMem стабильно улучшает как производительность поиска, так и качество рассуждений в различных базовых моделях.

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.