MemWeaver: Weaving Hybrid Memories for Traceable Long-Horizon Agentic Reasoning
作者: Juexiang Ye, Xue Li, Xinyu Yang, Chengkai Huang, Lanshun Nie, Lina Yao, Dechen Zhan
分类: cs.CL
发布日期: 2026-01-26
💡 一句话要点
MemWeaver：编织混合记忆，实现可追溯的长程Agent推理
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: Agent记忆 长程推理 图神经网络 知识图谱 多跳推理
📋 核心要点
- 现有Agent记忆方法在长程推理中存在时间冲突、推理脆弱和可追溯性有限等问题。
- MemWeaver通过构建时间对齐图记忆、经验记忆和段落记忆，实现结构化知识和证据的联合检索。
- 实验表明，MemWeaver在LoCoMo基准上显著提升了多跳和时间推理的准确性，并大幅缩减了上下文长度。
📝 摘要（中文）
基于大型语言模型的Agent在长程交互中需要记忆系统，以支持时间一致性、多跳推理和跨会话的证据溯源重用。现有方法主要依赖于非结构化检索或粗略抽象，这通常导致时间冲突、脆弱的推理和有限的可追溯性。我们提出了MemWeaver，一个统一的记忆框架，将长期Agent经验整合到三个相互连接的组件中：用于结构化关系推理的时间对齐图记忆、从重复观察中抽象出循环交互模式的经验记忆，以及保存原始文本证据的段落记忆。MemWeaver采用双通道检索策略，联合检索结构化知识和支持证据，以构建紧凑但信息密集的推理上下文。在LoCoMo基准上的实验表明，与长上下文基线相比，MemWeaver显著提高了多跳和时间推理的准确性，同时将输入上下文长度减少了95％以上。
🔬 方法详解
问题定义：现有基于LLM的Agent在长程交互中，依赖非结构化检索或粗略抽象进行记忆，导致时间一致性差、多跳推理能力弱，且缺乏证据溯源能力。现有方法难以有效管理和利用Agent的长期经验，从而限制了其在复杂任务中的表现。
核心思路：MemWeaver的核心思路是将Agent的长期经验分解并存储到三个相互连接的记忆组件中：时间对齐图记忆（用于结构化关系推理）、经验记忆（用于抽象循环交互模式）和段落记忆（用于保存原始文本证据）。通过双通道检索策略，联合检索结构化知识和支持证据，构建信息密集的推理上下文。
技术框架：MemWeaver包含三个主要模块：1) 图记忆构建：将Agent的交互历史构建成时间对齐的图结构，节点表示实体，边表示关系。2) 经验记忆提取：从重复的观察中提取常见的交互模式，并将其存储为经验记忆。3) 段落记忆存储：保存原始的文本证据，用于支持推理过程。推理时，采用双通道检索策略，同时从图记忆和段落记忆中检索相关信息，并将其整合到LLM的上下文中。
关键创新：MemWeaver的关键创新在于其混合记忆架构，它结合了结构化知识（图记忆）、抽象经验（经验记忆）和原始证据（段落记忆），从而实现了更有效和可追溯的推理。与现有方法相比，MemWeaver能够更好地处理时间关系、进行多跳推理，并提供证据支持。
关键设计：MemWeaver使用图神经网络（GNN）进行图记忆的推理和更新。经验记忆的提取基于聚类算法，用于识别重复的交互模式。双通道检索策略使用相似度度量来选择相关的图节点和文本段落。具体参数设置和损失函数等技术细节在论文中有详细描述，但此处未提供具体数值。
🖼️ 关键图片
📊 实验亮点
在LoCoMo基准测试中，MemWeaver在多跳和时间推理任务上显著优于现有方法。与长上下文基线相比，MemWeaver将输入上下文长度减少了95%以上，同时保持或提高了推理准确性。这些结果表明，MemWeaver能够有效地利用长期记忆，并构建紧凑但信息密集的推理上下文。
🎯 应用场景
MemWeaver可应用于需要长期记忆和复杂推理的Agent任务，例如智能客服、游戏AI、机器人导航等。通过提供更准确和可追溯的推理能力，MemWeaver可以提升Agent在复杂环境中的表现，并增强用户对Agent决策的信任度。未来，该技术可以进一步扩展到多模态Agent和更复杂的推理场景。
📄 摘要（原文）
Large language model-based agents operating in long-horizon interactions require memory systems that support temporal consistency, multi-hop reasoning, and evidence-grounded reuse across sessions. Existing approaches largely rely on unstructured retrieval or coarse abstractions, which often lead to temporal conflicts, brittle reasoning, and limited traceability. We propose MemWeaver, a unified memory framework that consolidates long-term agent experiences into three interconnected components: a temporally grounded graph memory for structured relational reasoning, an experience memory that abstracts recurring interaction patterns from repeated observations, and a passage memory that preserves original textual evidence. MemWeaver employs a dual-channel retrieval strategy that jointly retrieves structured knowledge and supporting evidence to construct compact yet information-dense contexts for reasoning. Experiments on the LoCoMo benchmark demonstrate that MemWeaver substantially improves multi-hop and temporal reasoning accuracy while reducing input context length by over 95\% compared to long-context baselines.