arXiv cs.CL· Yiqi Wang, Tongyuan Zhao, Jiaqi Zhang, Yiqun Duan, Zhangkai Wu, Mingkai Zheng, Taotao Cai·· 10 小时前AI 评分38
StateGraph：面向长期智能体记忆的依赖感知状态修订
A State Change Is Local, Its Consequences Are Not: Dependency-Aware State Revision for Long-Term Agent Memory
AI 导读
StateGraph 提出依赖感知状态修订方法，用反事实验证从交互历史中恢复状态依赖图，仅当严格依赖失效且无独立支持路径时才使依赖状态失效。在 50 个案例的 StateChangeBench 上，其 Impact-F1 在深度 1 比 CUPMem 复现高 6.9 个百分点，深度 3+ 高 26.0 个百分点。在公开长期记忆基准上，多数数据集点估计与基线相当或更高。
正文 · AI 翻译
摘要：长期存活的智能体依赖于对用户、任务和决策的持久记忆，而这种记忆必须与不断变化的世界保持一致。然而，当上游事实发生变化时，记忆系统可能只修正被矛盾的那条记忆本身，而由它派生出的信念、计划和行动却仍被接受，尽管它们已经失去了支撑。因此，我们提出依赖感知的状态修正，它不仅追问什么发生了变化，还追问哪些依赖状态不应再被信任。为解决这一问题，StateGraph 维护一个不断演化的状态依赖图，其边从交互历史中恢复。其核心设计是反事实验证：对每条候选边，通过询问依赖状态在失去其前提后是否仍能存续来进行检验，从而将支撑依赖与语义相关性区分开来；随后，只有当严格依赖失效且不存在独立的支撑路径时，修正才会使依赖状态失效。为检验这一设计，我们引入了 StateChangeBench，这是一个受控基准，包含 50 个由作者构建的案例，并标注了级联深度、困难负样本和行动后果。在该基准上，StateGraph 相对 CUPMem 复现实现在深度 1 时的 Impact-F1 领先幅度为 6.9 个百分点，在深度 3+ 时为 26.0。在公开的长期记忆基准上，其点估计在大多数数据集上与所评估的基线相当或更高。这些结果为以下观点提供了初步证据：显式依赖跟踪可以改善变化条件下的选择性记忆修正。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.02912 [cs.CL] |
| （或 arXiv:2611.02912v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.02912 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yiqi Wang [查看电子邮件]
[v1]
2026 年 11 月 2 日星期一 10:44:02 UTC（1,503 KB）
来源：arXiv cs.CL · arxiv.org