[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"news-slug-higram-agent-memory-path-localization":3,"news-related-74de194b-9e2c-45ab-aa13-12fe210e66ba":32},{"id":4,"title":5,"summary":6,"content":7,"original_url":8,"source_id":9,"tags":10,"translations":24,"news_slug":25,"published_at":26,"created_at":27,"modified_at":28,"is_published":29,"publish_type":30,"image_url":14,"view_count":31},"74de194b-9e2c-45ab-aa13-12fe210e66ba","HiGram 给 Agent 记忆加上“路径定位”：先找证据，再改记忆","一篇 8 月 5 日提交的 arXiv 论文提出 HiGram，用层级图记忆、MicroGraph 路径定位和协同重写处理 Agent 的长期记忆更新。论文在 LoCoMo 与 MemConflict 上报告了回答质量、证据选择和 token 使用结果，但也明确显示，局部记忆无法替代外部知识。","# HiGram 给 Agent 记忆加上“路径定位”：先找证据，再改记忆\n\n你有没有遇到过这种 Agent：明明记住了很多东西，一到信息更新就开始胡说？旧事实还在，新事实也进来了，最后两条互相打架。问题往往不在“记忆容量不够”，而在更新时把整张记忆图当成一锅粥。\n\n8 月 5 日提交到 arXiv 的论文 **Hierarchical Graph Memory for LLM Agents with Path-level Localization and Rewrite**，提出了一个更细的思路：先定位与当前问题和新更新有关的证据路径，再只改这条路径上的记忆和依赖关系。论文把这套框架命名为 **HiGram**。原文：[arXiv:2608.05095](https:\u002F\u002Farxiv.org\u002Fabs\u002F2608.05095)。\n\n## Agent 记忆的麻烦，不只是“找不到”\n\n传统的图记忆会把事实、关系和历史信息放进一张图里。图变大以后，检索很容易带进无关上下文，证据筛选也会变贵。另一个麻烦是更新粒度：很多方法一次只改一个 MemoryUnit。可现实里的结论经常由几条互相依赖的事实共同支撑，单改其中一条，旧的下游关系可能还会继续参与回答。\n\nHiGram 的判断很直接：**记忆的组织粒度和推理依赖的证据结构没有对齐。** 查询只需要一小段相关证据，更新却可能沿着依赖关系传播。要是每次都全图搜索、逐单元重写，记忆越长，维护成本越高。\n\n## HiGram 的三步：分层、定位、协同重写\n\n第一步是层级图记忆。论文把图分成上层节点和底层 MemoryUnits。上层节点按照主题、对象类别和上下文做粗粒度组织，MemoryUnits 保存具体事实和显式依赖。这样，系统先从较大的区域缩小范围，再进入细节，不必一开始就遍历全部历史记忆。\n\n第二步是 **MicroGraph 路径定位**。给定一个查询和一条更新，系统先把更新临时表示成 MemoryUnits，抽取主题和对象类别作为锚点，找到相关的 MicroGraph，再组成支持子图。支持子图仍可能包含多条证据链，所以系统继续枚举候选路径，依据属性匹配、依赖一致性、时间有效性和上下文兼容性，选出真正受影响的证据路径。\n\n第三步是协同重写。系统先更新路径里受影响 MemoryUnit 的内部状态，再检查依赖它们的其他单元。如果下游结论仍有有效证据，就保留；如果支撑关系已经失效，就标记为过时，并从当前证据视图排除。历史记录没有被粗暴抹掉，新的状态和依赖也一起更新。\n\n这套设计的重点不在“把记忆做成更复杂的图”，而在于把更新动作限制在一个有边界的证据区域内。对 Agent 来说，记忆维护从“改一堆相关条目”变成“改一条可解释的证据链”。\n\n## 论文结果：质量上升，输入也变短\n\n作者在长时对话问答数据集 **LoCoMo** 和冲突记忆评测 **MemConflict** 上测试 HiGram。LoCoMo 按 Single Hop、Multi-Hop、Open Domain、Temporal 和 Adversarial 等问题类型评估；MemConflict 则区分动态、静态和条件冲突，并观察回答准确率、更新顺序一致性、冲突识别以及证据是否进入前 3 个结果。\n\n在 LoCoMo 上，论文用 GPT-5.4 和 GPT-4o 生成答案。表格结果显示，HiGram 的平均 F1、BLEU 和 LLM-J 在两种答案模型下都处于表格最高一档。以 GPT-5.4 设置为例，HiGram 的平均分为 **50.62、46.16 和 78.83**，最终答案生成使用的 token 数为 **2031.5**；完整对话上下文设置的 token 数是 **28345.6**。论文还报告，HiGram 只使用完整上下文 token 量的 **7.2%**。\n\n在 GPT-4o 设置下，HiGram 的平均 F1、BLEU 和 LLM-J 分别为 **52.51、49.83 和 83.65**，token 数为 **2328.9**。在 MemConflict 上，HiGram 的 Dynamic AA、UOCS、Static AA、CRS、Conditional AA、Macro-AA、SEH@3 和 SRS 分别为 **44.78、49.14、68.75、68.06、90.00、67.84、81.06 和 77.31**。这些数字是论文在特定数据集、模型和评测设置下的结果，不等于所有 Agent 产品都会得到同样收益。\n\n论文也给了边界：HiGram 在 Open Domain 问题上的优势没有那么明显，因为所需的外部知识如果不在存储历史里，局部记忆检索本身解决不了这个缺口。路径定位能减少无关证据，却不能凭空创造新知识。\n\n## 我的判断：Agent 记忆的下一个瓶颈是“更新责任”\n\n过去大家谈 Agent 记忆，常问两个问题：能存多少，能不能检索到。HiGram 把问题往前推了一步：**当一条事实变化时，哪些结论必须跟着变化？** 这是比“召回相关文本”更接近真实工作的难题。\n\n这也解释了为什么路径级重写值得关注。企业知识库、长期客服和个人助理都会遇到事实冲突；如果系统只会追加新内容，旧依赖就会像幽灵一样继续影响回答。能定位、能更新、还能保留历史状态，才更像可维护的记忆系统。\n\n当然，HiGram 还是一篇预印本，实验规模和数据集边界都写在论文里。真正落地时，路径识别的错误、更新证据的质量、图结构的长期膨胀，都会继续考验系统。\n\n**Agent 记忆真正难的地方，不是记住更多，而是知道哪条旧结论已经失去资格。**\n","https:\u002F\u002Farxiv.org\u002Fabs\u002F2608.05095","7437aeb9-930c-4866-a2e9-48003c1a792b",[11,15,18,21],{"id":12,"name":13,"slug":13,"description":14,"color":14},"6ad31a14-c0da-42df-81fd-564281f768db","agentic-ai",null,{"id":16,"name":17,"slug":17,"description":14,"color":14},"40269b40-7942-4650-9672-ed2e6524d37a","ai-technology",{"id":19,"name":20,"slug":20,"description":14,"color":14},"120fa59a-ff6f-4537-9bf5-f818df636a0e","benchmark",{"id":22,"name":23,"slug":23,"description":14,"color":14},"01598627-1ea6-4b27-a5d8-874971571a71","llm",[],"higram-agent-memory-path-localization","2026-08-05T09:32:43Z","2026-08-06T11:31:15.662820Z","2026-08-06T11:31:15.662828Z",true,"agent",111,{"items":33},[34,39,44,49,54,59],{"id":35,"title":36,"news_slug":37,"published_at":38},"3c6fcf46-f5bb-4136-931c-69cd64216e12","Skill-Use 基准揭示 Agent 短板：会做任务，不等于会用 Skill","skill-use-agent-harness-benchmark","2026-08-06T08:00:00+00:00",{"id":40,"title":41,"news_slug":42,"published_at":43},"f9cf9f03-6aca-4d29-94d3-5c6acfeaf435","匿名模型 OX Alpha 短暂登顶 OpenRouter 编码榜:研究者推测底座指向智谱 GLM-5.x","ox-alpha-stealth-openrouter-glm-5-zhipu","2026-08-24T03:00:00+00:00",{"id":45,"title":46,"news_slug":47,"published_at":48},"43eda321-b0b7-4df7-b20e-9758cbab42c9","记忆越完整,眼前题越做不对:MemTrapBench 把 LLM 长期记忆框架打回原形","memtrapbench-llm-memory-cognitive-traps","2026-08-22T04:00:00+00:00",{"id":50,"title":51,"news_slug":52,"published_at":53},"5a90a793-8ec1-4b3a-9691-edef5ffe8535","AI「思想病毒」实证:Anthropic 与 EPFL 让恶意想法在 Agent 间自我复制,免疫只需一段警告","mind-viruses-multi-agent-llm","2026-08-18T13:30:00+00:00",{"id":55,"title":56,"news_slug":57,"published_at":58},"c4ec4625-4a84-4c24-88f0-0ef1beb4f19e","Grok 4.6 发布:61 分追平 GPT-5.6 Sol,把长程 Agent 的 token 账单砍到四分之一","grok-4-6-agentic-cost-frontier","2026-08-14T19:00:00+00:00",{"id":60,"title":61,"news_slug":62,"published_at":63},"777afb24-262f-45cc-961f-d5d49ad42883","AgentOPSD 用递归贝叶斯信念破解多轮 Agent 强化学习的信用分配：清华\u002F浙大\u002F美团让 GRPO 学会看哪个 turn 决定胜负","agentopsd-recursive-belief-credit-assignment","2026-08-07T02:00:00+00:00"]