ProGraph: Прорыв в долгосрочной памяти LLM-агентов

Проблема: разрыв в оценке многошаговой памяти

Современные системы долговременной памяти для LLM-агентов часто оцениваются по метрикам одномоментного recalls (single-hop), игнорируя способность связывать разрозненные факты. Это создает слепую зону: агент может помнить имя, но не уметь вывести связь между двумя событиями, произошедшими в разных сессиях. Для измерения именно этой способности автор вводит новый бенчмарк MemHop.

Решение: двухслойная архитектура ProGraph

Profile-Graph Memory (ProGraph) предлагает минималистичную альтернативу сложным графам знаний, используя два ключевых механизма:

• Profile Expansion (Расширение профилей): Трассировка сущностей через подстроки имен, которые естественным образом возникают в нарративных профилях, написанных самим LLM. Это позволяет находить связи «из воздуха» без явного построения графа.
• Compression Residuals (Компрессионные остатки): Параллельное извлечение точных дат, количественных значений и именованных объектов при каждом обновлении профиля. Это происходит с нулевыми дополнительными затратами API, так как данные извлекаются из уже существующего контекста.

Метрики и результаты

ProGraph демонстрирует выдающиеся результаты, превосходя как базовый контекст (FullContext), так и существующие SOTA-решения (Mem0, A-Mem, HippoRAG, RAG). Архитектура показала специализацию механизмов: расширение профилей критично для многошагового вывода, а компрессионные остатки — для точности.

Значение для индустрии

Работа доказывает, что эффективная память для агентов не требует тяжелых внешних графовых баз данных. Комбинация естественного языка (нарративы) и структурированных остатков (даты/цифры) позволяет достичь точности эталонного полного контекста при значительно меньших вычислительных затратах. Исследователь опубликовал код и бенчмарк MemHop для сообщества.

Источник: arXiv cs.AI ↗