浙大提出 GAM：层次图记忆驱动的长程 Agent 推理

一句话总结本工作提出 GAM一个基于层次图结构的 Agentic Memory 框架通过“事件缓冲—语义整合”解耦机制实现长时对话中的稳定记忆与高效推理。 背景问题当前 LLM Agent 的长期记忆机制存在两类核心瓶颈1️⃣ 流式记忆stream-based易受噪声干扰导致 memory loss 与 semantic drift2️⃣ 结构化记忆graph-based虽稳定但难以适应动态对话缺乏实时更新能力。 方法简介提出一种“层次图 状态切换”的记忆架构核心包括三部分• 双阶段记忆机制核心创新将记忆过程解耦为 Episodic Buffering局部事件图与 Semantic Consolidation全局主题图仅在语义边界触发时进行整合从而避免噪声污染• 层次图记忆结构Hierarchical Graph Memory构建 Topic Associative Network全局语义 Event Progression Graph局部时序并通过跨层连接实现“语义—细节”对齐• 图引导多因子检索Graph-Guided Retrieval采用“语义锚点扩展 → 结构下钻 → 多因子重排序”流程融合 temporal / confidence / role 信号实现高精度上下文召回 实验结果在长对话与多轮推理任务上显著优于现有方法• LoCoMo在多种 backbone 上取得最高平均 F1如 GPT-4o-mini 达 43.14• LongDialQA相比 MemoryOS 提升最高达 86%Qwen2.5-7B• 推理效率token 消耗最低1370/query同时性能提升约 13%• 在 temporal / multi-party 推理任务中表现尤为突出说明其抗干扰能力更强✨ 一句话点评GAM 用“写隔离 语义触发”的图记忆范式第一次系统性解决了 Agent 长期记忆中的稳定性与可塑性冲突本质上是在做 inference-time 的“结构化RL替代”。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】