ActionRAG 提出图扩散记忆架构，在 MemoryAgentBench …
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
论文指出，LLM 智能体的长期记忆需要从不断增长的交互历史中找回精确且彼此一致的证据，尤其当答案取决于事实之间的关系，而非单条语义匹配时。现有记忆流程在两个阶段容易出错：索引阶段可能把重复出现的实体拆成多个，或把本不相同的实体合并成一个；在线检索阶段则常把初次相似度分数直接当作最终结果，即使周边图结构已经提供了修正依据。ActionRAG 的设计正是围绕这两处展开。
索引与检索的做法
索引端先统一类型标签，再按层级做实体消解，以减少实体碎片化与错误合并。查询到来时，系统同时走实体与三元组两条通道检索，得到初始证据集，并据此诱导出一个规模受限的局部图。随后用查询条件化的接收端归一化扩散，借助局部路径结构重新评估三元组分数。为避免修正过程丢掉原本正确的直接证据，方法中加入种子保护、对枢纽节点施加通量惩罚，并通过三元组物化把结果落回可用形态，从而在补回遗漏连接的同时保留直接命中。
评测结果与开销
评测使用 MemoryAgentBench，该基准覆盖准确检索、冲突消解、长程理解与测试时学习四类能力。在八个确定性评分列上，ActionRAG 平均准确率为 55.1，比最强的检索式记忆基线高出 5.4 分。按该基准的查询时成本核算方式，在报告的四个成本列上，单次查询的平均合成成本低于 0.001 美元；检索侧分别测量的 p99 分量之和为 440.7 毫秒，测试环境为消费级 Apple Silicon 设备。这些数据给出了准确率、成本与延迟三个维度的参照，但材料未披露各基线细节与消融结果。
为什么值得看
关注智能体长期记忆与检索增强方向的研究者，可看到索引纠错与查询时图重估结合的具体做法，以及准确率、成本、延迟三项实测数…
信源1 家
关键事实
ActionRAG 由 Navyansh Mahla 与 Sashank Vandrangi 撰写，2026 年 10 月 23 日提交至 arXiv cs.AI，编号 2610.32752[1]
索引流程会统一类型标签并执行分层实体消解，以缓解重复实体被拆散、不同实体被合并的问题[1]
查询时先做实体与三元组双通道检索，形成初始证据集并诱导有界局部图，再用查询条件化的接收端归一化扩散修正三元组分数[1]
在 MemoryAgentBench 八个确定性评分列上平均准确率 55.1，比最强检索式记忆基线高 5.4 分[1]
四个成本列上单次查询平均合成成本低于 0.001 美元，检索侧 p99 分量合计 440.7 毫秒[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。