综述 | 面向大模型智能体的图结构个性化记忆

论文首页与摘要。本文围绕大模型智能体的图结构个性化记忆，系统梳理其表示、演化、检索与评估框架。

导读

大模型智能体正在从一次性问答工具，走向能长期服务用户的个人助手。它们不仅要理解当前指令，还要记住用户的偏好、目标、约束、关系、经历和反馈，并在之后的任务中合理调用这些记忆。问题在于，简单把所有历史对话塞进上下文不可行；把记忆压缩成孤立文本条目，也很难表达事实之间的关系、时间变化和证据来源。 这篇综述《Graph-Based Personalized Memory for LLM Agents: Representation, Evolution, Retrieval, and Evaluation》聚焦一个正在变得重要的方向：用图结构组织智能体的个性化记忆。图记忆把用户事实、偏好、交互事件和它们之间的关系显式建模，使智能体不仅知道“记住了什么”，还知道这些记忆如何连接、如何更新、如何冲突、如何被检索，以及如何支持个性化决策。 论文采用生命周期视角，把图结构个性化记忆分为四个核心环节：记忆表示、记忆演化、记忆检索和记忆评估。它的价值在于把零散的个性化智能体、记忆系统和图记忆工作放到同一张设计地图上，指出长期个性化智能体的关键不是“存更多”，而是“存得有结构、改得有证据、取得准、评得出质量”。

Introduction | 引言

长期个性化需要持久记忆

随着大模型智能体具备规划、工具使用和长任务执行能力，它们开始承担个人助手角色。真正的个人助手不能每次都从零开始，它需要跨会话累积用户信息，理解用户习惯和偏好，并根据任务、情境和历史反馈调整行为。比如同样是订酒店，不同用户可能关心价格、安静、交通、早餐、会员权益或家庭出行条件；这些偏好往往来自长期互动，而不是当前一句话就能完整给出。 论文指出，个性化记忆不能简单依赖更长上下文。即便上下文窗口越来越大，把完整交互历史放进每次提示仍然昂贵、噪声大，也难以维护。早期记忆系统常采用对话日志、自然语言摘要或向量库，它们能记录单个事实，却难以刻画事实之间的关系、变化和证据链。例如“用户喜欢咖啡店”“用户上周搬家”“用户讨厌嘈杂环境”之间可能共同决定一次出行推荐，孤立记忆很难表达这种组合。 图结构记忆因此成为一种自然选择。图可以用节点表示事实、事件、偏好、人物、地点、任务和领域，用边表示时间、因果、来源、关联和约束。它让智能体能够跨多跳关系找上下文，追踪记忆来源，发现冲突，并随着用户状态变化更新内部用户模型。

Preliminaries | 预备知识

什么是图结构个性化记忆

论文将图结构个性化记忆定义为一种面向用户的持久记忆系统：它存储在模型参数之外，跨会话保留，并以显式图组织用户相关状态。这一点把它与临时提示上下文区分开，也把它与通用知识图谱或普通图增强生成区分开。本文关注的是能支持用户建模的记忆，而不只是给模型提供外部知识。 图结构记忆通常包含两个层面。记忆层面关注系统保存了哪些用户状态，例如事实、偏好、目标、约束、关系和经历。个性化层面关注这些记忆如何影响智能体响应、检索、行动和适配。换句话说，图不是为了漂亮地存数据，而是为了让智能体能在长期互动中形成可更新、可查询、可控的用户模型。 图结构个性化记忆系统总览。系统从对话、反馈、笔记和用户画像中写入记忆，以图结构组织关系，通过检索模块把相关记忆返回给智能体，并通过演化操作持续更新。

个性化记忆的五个维度

论文把个人记忆拆成五个维度：语义、时间、关系、经历和情感。语义维度保存稳定事实、偏好、目标或约束；时间维度描述记忆何时成立、何时变化；关系维度连接人物、地点、任务和物品；经历维度记录过去事件、结果、习惯和例行活动；情感维度则表达满意、挫败、喜欢或厌恶等情绪强度。 这五个维度并不互斥。一条记忆可能同时包含语义事实、发生时间、相关人物、具体经历和情感评价。例如“上个月航班延误让用户非常不满”既是经历，也是时间信息和情感信息；如果之后智能体规划旅行，就应优先避免类似风险。 个性化记忆的五个维度。论文用语义、时间、关系、经历和情感刻画用户记忆应覆盖的信息类型。

Memory Representation | 记忆表示

记忆元素

记忆表示决定系统保留什么，以及后续演化和检索能使用哪些依赖关系。论文首先讨论记忆元素，即图中的节点、边和生命周期元数据。节点可以是证据节点、事实节点、抽象节点或领域特定节点。证据节点保留原始互动记录，事实节点保存抽取出的原子断言，抽象节点把多次观察综合成画像、场景或反思，领域节点则对应医疗、日程、购物等具体任务域。 边则负责表达关系。常见关系包括时间关系、来源关系、关联关系和领域关系。时间关系编码事件顺序、有效期和变化；来源关系把事实连接回支撑证据；关联关系连接语义相关记忆；领域关系表达特定任务中的约束与依赖。除了节点和边，系统还需要时间戳、有效区间、失效标记等生命周期元数据，以区分当前用户状态和历史证据。

记忆结构

论文将图结构个性化记忆归纳为五种模式：扁平图、层次图、超图、混合图和多图。扁平图把用户事实和关系直接作为节点与边，结构简单、查询直接，但难以区分证据、事实和高层抽象。层次图把原始对话、事件、事实、主题和画像组织成不同层级，便于从细节上溯证据，也能从高层快速访问用户模型。 超图适合表达多个元素共同构成的记忆，例如一次事件同时涉及人物、地点、时间和主题；混合图则把图结构和非图存储结合起来，例如用图做索引，用文本块、摘要库或证据缓冲区保存完整内容；多图结构则把不同领域、时间尺度或任务功能分成多个相对独立的图，减少单一记忆图过度耦合。 代表性图记忆结构。论文比较扁平图、层次图、超图、混合图和多图五类模式，展示不同结构如何组织用户事实、证据和关系。

表示的取舍

没有一种结构天然最优。证据丰富的设计更便于追溯和纠错，但存储开销更高；事实或抽象中心设计更紧凑，却可能传播抽取错误或过度概括；领域特定 schema 能提升任务适配，但会降低通用性。论文强调，记忆表示不是个性化质量的保证，而是后续演化与检索的基础设施。

Memory Evolution | 记忆演化

五类演化操作

个性化记忆不是写入后就不变的静态仓库。用户偏好会改变，事实会过期，反馈会修正旧判断，多个来源之间也会发生冲突。论文把记忆演化分为五类操作：准入、整合、冲突解决、巩固和移除。 准入决定新证据是否应成为持久记忆，以及应以什么类型和粒度写入。过度写入会把短暂陈述固化为长期状态，写入不足又会丢掉后续任务需要的信息。整合负责把新记忆附着到已有图结构中，保留来源并减少重复。冲突解决处理新旧记忆不一致的情况，例如用户过去喜欢某类餐厅，现在明确表示不再喜欢。巩固则在多次交互后重组累积记忆，把重复事实合并成更稳定的用户画像。移除用于删除过期、错误、敏感或用户要求忘记的信息。 图结构个性化记忆的演化流程。新证据先经过准入，再通过整合、冲突解决、巩固和移除维持可用且可信的用户模型。

演化的关键难点

记忆演化的难点在于平衡稳定性和可塑性。用户模型太稳定，会忽略新的偏好和纠正；太容易改变，又会被偶然表达或噪声带偏。图结构提供了显式关系和证据链接，有助于判断某条记忆是否有多次支持、是否仍在有效期、是否与其他记忆冲突。但图本身不会自动解决生命周期问题，系统仍需要写入策略、冲突策略和用户控制机制。

Memory Retrieval | 记忆检索

相似性检索

检索决定智能体在当前任务中使用哪些记忆。最直接的方法是相似性检索，包括关键词、语义向量和混合检索。它适合找与当前请求语义接近的事实，例如从“帮我订晚餐”召回饮食偏好和常去地点。优点是实现简单、可扩展，缺点是容易错过多跳关系，也可能召回表面相似但情境不适用的记忆。

结构化检索

结构化检索利用图的拓扑关系进行多跳遍历、路径搜索、子图匹配或关系约束查询。它能回答更复杂的问题，例如“这个推荐是否与用户同行者、过去反馈和当前地点一致”。相较单纯语义相似，结构化检索更能体现图记忆价值，因为它把事实之间的连接也纳入检索依据。

自适应检索

自适应与智能体式检索让系统根据任务状态动态决定查什么、查多深、是否需要追溯证据、是否需要让模型规划检索路径。这类方法更灵活，适合复杂任务和长期对话，但也带来额外成本：检索策略本身需要评估，错误检索可能放大偏见或过时信息。论文认为，未来系统需要在召回率、精确性、延迟、隐私和可解释性之间找到更稳的平衡。

Evaluation | 评估

当前评估缺口

个性化记忆评估仍处在早期阶段。现有评估常关注回答质量、个性化准确率或任务成功率，但对图本身的质量、记忆生命周期有效性、用户控制和长期一致性关注不足。论文指出，图结构记忆至少需要从几个层面评估：记忆写入是否准确，结构是否能表达正确关系，检索是否召回真正相关记忆，演化是否能处理更新和冲突，最终响应是否受益于这些记忆。 更进一步，评估还应关注现实约束。用户应能查看、修改或删除记忆；系统应能解释某个个性化建议依赖哪些证据；敏感信息应有边界；过期记忆不应继续影响决策。否则，图记忆可能只是让智能体“记得更多”，却不一定更可信。

Challenges and Future Directions | 挑战与未来方向

图质量与生命周期

第一个挑战是图质量。记忆图的节点、边和属性通常来自自动抽取，错误实体、错误关系和错误时间戳都会影响后续检索与决策。未来需要更可靠的信息抽取、证据追踪和图一致性检查，并在记忆写入时保留置信度和来源。 第二个挑战是生命周期有效性。用户偏好和状态会随时间变化，系统必须知道何时保留、何时更新、何时合并、何时遗忘。尤其在长期个性化场景中，旧记忆未必是错的，但可能只在特定时期或场景成立。图记忆需要显式建模有效期、上下文条件和版本关系。

控制隐私与真实个性化

第三个挑战是用户控制与隐私。个性化记忆直接涉及用户事实、习惯、关系和经历，必须支持可见、可改、可删和可限制使用。图结构虽然便于追溯证据，但也可能暴露更多关联信息，因此访问控制、敏感关系处理和最小必要检索都非常重要。 第四个挑战是真实个性化。仅仅在回答中提到用户过去说过的话，并不等于真正个性化。更高质量的系统应能把记忆用于计划、工具选择、偏好冲突处理、长期目标跟踪和行为调整，同时避免把偶然互动误读为长期偏好。

结语

这篇综述给长期个性化智能体提供了一张清晰地图：图结构记忆要解决的不是“如何存更多聊天记录”，而是如何把用户相关事实、经历、情绪、关系和时间变化组织成可查询、可更新、可审计的用户模型。表示决定记忆能表达什么，演化决定记忆能否保持有效，检索决定记忆能否在正确时刻被使用，评估决定系统是否真的更个性化、更可靠。 随着大模型智能体走向长期陪伴、个人生产力和跨任务协作，记忆会从附加模块变成核心基础设施。图结构个性化记忆的下一步，需要在结构化能力、用户控制、隐私保护、生命周期管理和真实任务收益之间建立更严格的工程闭环。