그래프 기반 에이전트 메모리: 분류 체계, 기법 및 응용

Graph-based Agent Memory: Taxonomy, Techniques, and Applications

메모리는 지식 축적, 반복적 추론 및 자기 진화를 가능하게 함으로써, 장기적이고 복잡한 작업(예: 다중 턴 대화, 게임 플레이, 과학적 발견)을 수행하는 대규모 언어 모델(LLM) 기반 에이전트의 핵심 모듈로 부상하고 있다. 다양한 패러다임 중에서도 그래프는 관계적 의존성 모델링, 계층적 정보 구성, 효율적인 검색 지원이라는 고유한 기능 덕분에 에이전트 메모리를 위한 강력한 구조로 주목받고 있다. 본 서베이에서는 그래프 기반 관점에서 에이전트 메모리에 대한 포괄적인 검토를 제시한다. 첫째, 그래프 기반 메모리의 구현 관점을 포함하여 단기 대 장기 메모리, 지식 대 경험 메모리, 비구조적 대 구조적 메모리 등 에이전트 메모리의 분류 체계를 소개한다. 둘째, 에이전트 메모리의 수명 주기에 따라 그래프 기반 에이전트 메모리의 핵심 기법들을 체계적으로 분석한다. 여기에는 데이터를 콘텐츠로 변환하는 메모리 추출, 데이터를 효율적으로 조직하는 저장, 추론을 지원하기 위해 관련 콘텐츠를 찾아오는 검색, 그리고 메모리 내 콘텐츠를 업데이트하는 진화 단계가 포함된다. 셋째, 자기 진화형 에이전트 메모리의 개발 및 평가를 지원하는 오픈소스 라이브러리와 벤치마크를 요약한다. 또한 다양한 응용 시나리오를 탐구한다. 마지막으로 주요 도전 과제와 향후 연구 방향을 식별한다. 본 서베이는 보다 효율적이고 신뢰할 수 있는 그래프 기반 에이전트 메모리 시스템의 개발을 발전시킬 수 있는 실질적인 통찰력을 제공하는 것을 목표로 한다. 연구 논문, 오픈소스 데이터, 프로젝트 등 모든 관련 리소스는 커뮤니티를 위해 https://github.com/DEEP-PolyU/Awesome-GraphMemory 에 수집되어 있다.

Memory emerges as the core module in the Large Language Model (LLM)-based agents for long-horizon complex tasks (e.g., multi-turn dialogue, game playing, scientific discovery), where memory can enable knowledge accumulation, iterative reasoning and self-evolution. Among diverse paradigms, graph stands out as a powerful structure for agent memory due to the intrinsic capabilities to model relational dependencies, organize hierarchical information, and support efficient retrieval. This survey presents a comprehensive review of agent memory from the graph-based perspective. First, we introduce a taxonomy of agent memory, including short-term vs. long-term memory, knowledge vs. experience memory, non-structural vs. structural memory, with an implementation view of graph-based memory. Second, according to the life cycle of agent memory, we systematically analyze the key techniques in graph-based agent memory, covering memory extraction for transforming the data into the contents, storage for organizing the data efficiently, retrieval for retrieving the relevant contents from memory to support reasoning, and evolution for updating the contents in the memory. Third, we summarize the open-sourced libraries and benchmarks that support the development and evaluation of self-evolving agent memory. We also explore diverse application scenarios. Finally, we identify critical challenges and future research directions. This survey aims to offer actionable insights to advance the development of more efficient and reliable graph-based agent memory systems. All the related resources, including research papers, open-source data, and projects, are collected for the community in https://github.com/DEEP-PolyU/Awesome-GraphMemory.