arXiv cs.AI· Navyansh Mahla, Sashank Vandrangi·· 11 小时前AI 评分38
ActionRAG：面向 LLM 智能体长期记忆的证据精炼图扩散架构
ActionRAG: Evidence-Refining Graph Diffusion for Long-Term Memory in LLM Agents
AI 导读
ActionRAG 是一种图记忆架构，将谨慎索引与查询时图重评估结合，在 MemoryAgentBench 八个确定性评分列上平均准确率达 55.1，比最强检索式记忆基线高 5.4 分。
正文 · AI 翻译
摘要：LLM 智能体需要长期记忆，以便从不断增长的交互历史中恢复精确且相互一致的证据，尤其是当答案取决于事实之间的关系而非孤立的语义匹配时。当前的内存流水线在两个阶段仍然脆弱：索引错误可能使重复实体碎片化或合并不同实体，而在线检索往往将初始相似度分数视为最终结果，即使周围图提供了修正它们的证据。我们提出 ActionRAG，一种图内存架构，将谨慎索引与查询时图回溯评估相结合。其索引流水线协调类型标签并应用分层实体解析。给定查询，双通道实体与三元组检索形成初始证据集并诱导有界局部图。查询条件接收器归一化扩散利用局部路径结构细化三元组分数。种子保护、枢纽惩罚通量和三元组物化在恢复遗漏连接的同时保留直接证据。我们在 MemoryAgentBench（MAB）上评估 ActionRAG，该基准测试准确检索、冲突解决、长程理解和测试时学习。在其八个确定性评分列上，ActionRAG 达到 55.1 平均准确率，比最强的基于检索的内存基线提高 5.4 分。在 MAB 的查询时成本核算下，四个报告成本列上的平均合成成本保持在每查询低于 \$0.001，并且在我们消费级 Apple Silicon 设置上，单独测量的检索侧 p99 组件之和为 440.7 ms。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.32752 [cs.AI] |
| （或 arXiv:2610.32752v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32752 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Navyansh Mahla [查看电子邮件]
[v1]
2026年10月23日星期五 14:59:37 UTC（42 KB）
来源：arXiv cs.AI · arxiv.org