메모리를 지속적으로 진화하는 연결성으로 재고찰

Rethinking Memory as Continuously Evolving Connectivity

기존의 메모리 강화 LLM 에이전트는 종종 메모리를 미리 정의된 표현과 고정된 검색 파이프라인을 가진 정적인 저장소로 취급하는데, 이는 피드백, 작업 변동 및 이질적인 신호가 지속적으로 기억되어야 할 내용과 연결 방식에 영향을 미치는 동적 에이전트 환경에서 문제가 됩니다. 이러한 문제를 해결하기 위해, 우리는 메모리를 이종 그래프로 모델링하고 초기 연결 형성, 피드백 기반 정제, 그리고 장기적인 통합의 세 단계를 통해 토폴로지를 점진적으로 개선하는 연결성 진화 메모리 프레임워크인 FluxMem을 제안합니다. 실행 중에 FluxMem은 누락된 링크를 복구하고 간섭을 제거하며 추상화 수준을 조정하고, 재사용 가능한 절차적 회로로 반복적인 성공적인 경로를 추출합니다. 이러한 과정은 메모리의 일반화 가능성과 진화적 성숙도를 나타내는 하나의 지표에 의해 안내됩니다. LoCoMo, Mind2Web, 그리고 GAIA와 같이 근본적으로 다른 세 가지 벤치마크에서 FluxMem은 일관되게 최첨단 성능을 달성하며, 복잡한 에이전트 환경에서의 강력한 적응성과 일반화 능력을 보여줍니다. 코드의 소스 코드는 https://github.com/zjunlp/LightMem 에서 공개될 예정입니다.

Existing memory-augmented LLM agents often treat memory as a static repository with pre-defined representations and fixed retrieval pipelines, which is brittle in dynamic agentic environments where feedback, task variation, and heterogeneous signals continuously reshape what should be remembered and how it should be connected. To address this, we propose FluxMem, a connectivity-evolving memory framework that models memory as a heterogeneous graph and progressively refines its topology through three stages: initial connection formation, feedback-driven refinement, and long-term consolidation. During execution, FluxMem repairs missing links, prunes interference, aligns abstraction granularity, and distills recurrent successful trajectories into reusable procedural circuits, guided by one metric for memory generalizability and evolutionary maturity. Across three fundamentally distinct benchmarks including LoCoMo, Mind2Web, and GAIA, FluxMem achieves consistent state-of-the-art performance, demonstrating strong adaptation and generalization in complex agentic environments. The code will be open-sourced in https://github.com/zjunlp/LightMem.