MemForest: Efficient Agent Memory Management via EventTree Partitioning and Progressive Merging
作者: Junxi Wang, Te Sun, Jiayi Zhu, Chen Zhang, Siyuan Li, Xuyang Liu, Zichen Wen, Xiaobing Tu, Jinkui Ren, Xiantao Zhang, Ziqi Yuan, Linfeng Zhang
分类: cs.AI
发布日期: 2026-09-08
备注: 23 pages, 6 figures
🔗 代码/项目: GITHUB
💡 一句话要点
提出MemForest以解决代理记忆管理效率问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 代理记忆 记忆压缩 事件中心单元 最大生成树 检索机制 多模态系统 性能提升
📋 核心要点
- 现有的代理记忆系统在推理时面临存储和检索成本高的问题，影响了系统的效率。
- MemForest通过事件中心单元划分历史记忆，并构建EventTree以合并冗余节点，从而实现记忆压缩。
- 在多个基准测试中，MemForest在保持高性能的同时，实现了50%的记忆压缩和显著的检索速度提升。
📝 摘要（中文）
代理记忆系统在长期对话、个性化助手和视频理解中展现了显著潜力。然而，持续累积的记忆在推理过程中引入了巨大的存储和检索成本。为了解决这一问题，本文提出了MemForest，一个适用于各种代理记忆系统的通用记忆压缩框架。MemForest通过利用全局语义相似性和局部时间连续性，将历史记忆划分为以事件为中心的单元，并为每个单元构建最大生成树（EventTree），通过选择高权重边逐步合并冗余记忆节点，从而减少存储开销。此外，本文引入了一种锚点引导的传播检索机制，从关键节点的时间邻域中检索相关记忆节点，提高了检索准确性。大量实验表明，MemForest在多个基准测试中有效提升了性能。
🔬 方法详解
问题定义：本文旨在解决代理记忆系统在推理过程中由于记忆持续累积而导致的存储和检索成本高的问题。现有方法在处理大量历史记忆时，效率低下，影响了系统的实时性和响应速度。
核心思路：MemForest的核心思路是将历史记忆划分为以事件为中心的单元，并通过构建最大生成树（EventTree）来合并冗余节点，从而有效减少存储需求和提高检索效率。
技术框架：MemForest的整体架构包括两个主要模块：第一，事件中心单元的划分与EventTree的构建；第二，锚点引导的传播检索机制，用于从关键节点的时间邻域中检索相关记忆节点。
关键创新：MemForest的关键创新在于引入了事件中心的记忆单元划分和最大生成树的构建方法，显著提高了记忆的压缩效率和检索准确性。这一方法与现有的简单记忆存储和检索机制有本质区别。
关键设计：在设计中，MemForest通过选择高权重边来合并冗余节点，确保了压缩后的记忆仍然保留重要信息。此外，锚点引导的检索机制通过利用时间邻域的信息，提升了检索的准确性和效率。
🖼️ 关键图片
📊 实验亮点
在实验中，MemForest在单模态Mem0框架下保持了97.1%的原始性能，同时实现了50%的历史记忆压缩，检索速度提升了1.89倍。在多模态M3-Agent框架下，MemForest保留了99.7%的原始性能，压缩比同样为50%，检索速度提升达2.24倍。
🎯 应用场景
MemForest的研究成果在多个领域具有广泛的应用潜力，包括长期对话系统、个性化助手和视频理解等。通过提高记忆管理的效率，该框架能够显著提升用户体验和系统响应速度，未来可能在智能助手和自动化系统中发挥重要作用。
📄 摘要（原文）
Agent memory systems have demonstrated significant potential in long-term dialogue, personalized assistants, and video understanding. However, continuously accumulated memory introduces substantial storage and retrieval costs during inference. To address this issue, we propose \textbf{MemForest}, a general memory compression framework adaptable to various agent memory systems. Specifically, MemForest partitions historical memory into event-centric units by leveraging global semantic similarity and local temporal continuity. For each unit, it constructs a maximum spanning tree, termed an EventTree, and progressively merges redundant memory nodes by selecting high-weight edges, reducing storage overhead. Furthermore, we introduce an anchor-guided propagation retrieval mechanism that retrieves relevant memory nodes from the temporal neighborhoods of key nodes, improving retrieval accuracy. Extensive experiments demonstrate the effectiveness of MemForest. Under the unimodal Mem0 framework, MemForest retains \textbf{97.1%} of the original performance while compressing \textbf{50%} of historical memory across three benchmarks (LoCoMo, LongMemEval, and PersonaMem), achieving a \textbf{1.89x} retrieval speedup. Under the multimodal M3-Agent framework, it preserves \textbf{99.7%} of the original performance with a \textbf{50%} compression ratio across two benchmarks (M3-Bench-robot and M3-Bench-web), achieving a \textbf{2.24x} retrieval speedup. \textcolor{RoyalBlue}{\textit{Our code is available at https://github.com/Celina-love-sweet/MemForest.}}