论文验证：知识图谱做 LLM Agent 长期记忆，配遗忘机制防膨胀

burkov · x · 2026-09-07

该论文研究两个问题：把对话历史表示为知识图谱，相比扁平向量检索能否提升 LLM Agent 长期记忆的检索质量；以及显式遗忘机制能否在不损害性能的前提下控制图谱规模。背景是 Agent 记忆库随数月交互急速膨胀，带来成本、噪声与检索退化，扁平检索难以处理关系型与多跳问题。

方法上，作者构建基于抽取的图流水线：每轮对话转为带类型的节点和属性边；检索时围绕匹配度最高的 5 个实体取两跳子图；定期按“新鲜度+访问频率+度数+年龄”综合重要性分剪枝低分节点。并在 500 题规模的基准上评估——对做 Agent 记忆系统的人是有直接参考价值的工作。