A-MEM论文讲了什么：Agentic Memory

A-MEM 把卡片盒笔记法搬进 Agent 记忆：写入时用 LLM 生成结构化卡片、自主建链并演化旧记忆，读取只做向量检索，用写入算力换多跳推理准确率和低查询 token。

要点

  1. 针对静态 RAG 记忆不会随新信息修正、图数据库 Schema 需预设难泛化的痛点，提出主动记忆网络。
  2. 卡片构建：每次交互由 LLM 生成含原文、时间戳、关键词、标签和上下文描述的原子卡片，再算稠密向量。
  3. 自主建链：先用向量相似度粗筛 Top-k 旧卡片，再由 LLM 判断是否存在深层关联并建立双向链接。
  4. 记忆演化：LLM 根据新卡片重写被关联旧卡片的描述、关键词和标签并更新向量，让旧记忆被新经验刷新。
  5. 长对话数据集上多跳与时序推理提升明显，答题 token 比 MemGPT 降低 85% 至 93%。
  6. 代价是写入延迟和成本高，每条记忆需两三次 LLM 调用，用 GPT-4o-mini 平均 5.4 秒；改写幻觉可能污染事实记忆，宜保留原始对话不可变。

来源