Neues Hierarchisches Graph-basiertes Agentic Memory verbessert LLM-Agenten

Um langanhaltende, zusammenhängende Interaktionen zu ermöglichen, müssen Large Language Model (LLM)-Agenten die Balance zwischen dem Erwerb neuer Informationen und der Bewahrung bereits vorhandenen Wissens finden. Aktuelle, einheitliche Stream-basierte Speicherlösungen aktualisieren den Kontext zwar schnell, sind jedoch anfällig für Störungen durch flüchtige Geräusche. Im Gegensatz dazu bewahren diskrete, strukturierte Speicherarchitekturen Wissen zuverlässig, kämpfen jedoch häufig mit der Anpassung an sich verändernde Erzählungen.

Die neue Methode, genannt GAM (Hierarchical Graph-based Agentic Memory), löst dieses Spannungsfeld, indem sie die Kodierung von Erinnerungen von der Konsolidierung trennt. Dabei wird das laufende Gespräch zunächst in einem Ereignisfortschrittsgraphen isoliert und erst bei semantischen Wendungen in ein themenassoziatives Netzwerk integriert. Dieser Ansatz reduziert Interferenzen erheblich und sorgt gleichzeitig für langfristige Konsistenz.

Zusätzlich wird ein graphgesteuertes, mehrfaktorielles Abrufverfahren eingeführt, das die Präzision des Kontextzugriffs weiter erhöht. In Experimenten mit den Datensätzen LoCoMo und LongDialQA übertrifft GAM die führenden Baselines sowohl in der Genauigkeit von Schlussfolgerungen als auch in der Effizienz. Damit stellt GAM einen bedeutenden Fortschritt für die Entwicklung robuster, kontextsensitiver LLM-Agenten dar.