ActionRAG：面向 LLM 智能体长期记忆的证据精炼图扩散

LLM 智能体需要能够从不断增长的交互历史中提取精确且相互一致的证据的长期记忆，尤其是在答案依赖事实之间的关系而非孤立的语义匹配时。现有记忆流程在两个阶段仍存在薄弱环节：索引错误可能将重复出现的实体拆分，或将不同实体合并；在线检索则往往将初始相似度分数视为最终结果，即使周边图结构提供了可用于修正这些分数的证据。我们提出 ActionRAG，这是一种将审慎索引与查询时图回溯评估相结合的图记忆架构。其索引流程协调类型标签，并采用分层实体消歧。给定查询后，实体与三元组双通道检索构建初始证据集，并诱导生成一个范围受限的局部图。以查询为条件、按接收端归一化的扩散利用局部路径结构精炼三元组分数。种子保护、枢纽惩罚通量和三元组物化在保留直接证据的同时，恢复遗漏的关联。我们在 MemoryAgentBench（MAB）上评估了 ActionRAG，该基准测试准确检索、冲突解决、长程理解和测试时学习能力。在其八个采用确定性评分的指标列上，ActionRAG 的平均准确率达到 55.1，比最强的检索式记忆基线提高了 5.4 个百分点。按照 MAB 的查询时成本核算方式，在报告的四个成本指标列上，每次查询的平均综合生成成本均低于 0.001 美元；在我们的消费级 Apple Silicon 设备上，检索端各组件分别测得的 p99 延迟之和为 440.7 毫秒。