FluxMem：記憶是持續演化的異質圖拓撲

一句話

浙江大學與阿里巴巴聯合提出 FluxMem，把 LLM 代理記憶建模為異質圖拓撲，透過初始連線建立 → 回饋驅動精煉 → 長期固化三階段持續演化，在 LoCoMo（95.06 vs 81.23）、Mind2Web（8.1%）、GAIA（+12.73%）三基準達到 SOTA。

關鍵數據

機制拆解

• 異質圖記憶建模：將記憶存為異質節點（實體、事件、技能、摘要）與多類型邊（時序、因果、語義相似、共現），打破固定 schema 限制。
• 第一階段：初始連線形成：新記憶進入時自動與現有節點建立初步連結（語義相似度 + 時間鄰近性）。
• 第二階段：回饋驅動精煉：任務成敗訊號驅動圖拓撲調整——修復缺失連結、修剪干擾邊、校準抽象粒度。
• 第三階段：長期固化：將反覆成功的軌跡蒸餾為可重用的程序性電路（procedural circuits），形成技能級記憶單元。

落地應用

• Hermes 睡眠固化對標：FluxMem 第三階段「蒸餾成功軌跡→程序性電路」與 Hermes 睡眠固化高度對齊，可引入圖拓撲視角評估記憶間連結品質。
• fact_store 升級路徑：目前扁平 key-value 可對標 FluxMem 異質圖，對事實間建立語義/時序/因果邊，讓 trust score 不再孤立計算。
• MEMORY 精煉策略：FluxMem 回饋驅動精煉可改進 trust score 清理邏輯——不只刪除低信任事實，而是修復斷裂連結或合併冗餘節點。
• 成熟度指標：引入演化成熟度指標監控 Hermes 記憶健康度，取代純 MEMORY 使用率評估。

🏷️ 標籤