ActionRAG：面向LLM智能体长期记忆的证据精炼图扩散

ActionRAG 用图扩散在查询时修正记忆检索的证据分数。

资讯摘要

论文提出 ActionRAG，一种面向 LLM 智能体长期记忆的图记忆架构，将谨慎索引与查询时图重评估结合：索引阶段统一类型标签并做分层实体消解，查询时通过实体与三元组双通道检索构建局部图，再用查询条件化的接收端归一化扩散精炼三元组分数。作者在 MemoryAgentBench 的八个确定性评分列上报告平均准确率 55.1，较最强检索式记忆基线提升 5.4 分。

要点速读

1. 索引管线调和类型标签并应用分层实体消解，以缓解重复实体被拆分或不同实体被合并的问题。
2. 查询时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，扩散精炼结合种子保护、枢纽惩罚通量与三元组物化。
3. 在 MemoryAgentBench 八个确定性评分列上平均准确率 55.1，比最强检索式记忆基线高 5.4 分；四个成本列上平均合成成本低于每查询 0.001 美元，检索侧 p99 分量合计 440.7 毫秒（消费级 Apple Silicon 环境）。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。