Переосмысление памяти как непрерывно эволюционирующей коннективности

Аннотация

Существующие агенты LLM с дополненной памятью часто рассматривают память как статическое хранилище с предопределенными представлениями и фиксированными конвейерами извлечения, что оказывается ненадежным в динамических агентных средах, где обратная связь, изменение задач и гетерогенные сигналы непрерывно изменяют то, что должно запоминаться и как это должно быть связано. Для решения этой проблемы мы предлагаем FluxMem — фреймворк памяти с эволюционирующей связностью, который моделирует память как гетерогенный граф и постепенно уточняет его топологию через три этапа: начальное формирование связей, уточнение на основе обратной связи и долгосрочная консолидация. В процессе выполнения FluxMem восстанавливает отсутствующие связи, устраняет интерференцию, выравнивает гранулярность абстракций и дистиллирует повторяющиеся успешные траектории в многократно используемые процедурные цепочки, руководствуясь единой метрикой обобщаемости памяти и эволюционной зрелости. На трех принципиально различных бенчмарках, включая LoCoMo, Mind2Web и GAIA, FluxMem демонстрирует стабильно высокую производительность, показывая сильную адаптацию и обобщение в сложных агентных средах. Код будет опубликован в открытом доступе по адресу 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.