A-MEM: Agentic Memory for LLM Agents

要約

大規模言語モデル（LLM）エージェントは、複雑な実世界タスクのために外部ツールを効果的に利用することができるが、過去の経験を活用するために記憶システムを必要とする。現在の記憶システムは、基本的な記憶と検索は可能であるが、グラフデータベースを組み込むという最近の試みにもかかわらず、洗練された記憶構成には欠けている。さらに、これらのシステムの固定的な操作と構造は、多様なタスクへの適応性を制限している。この限界に対処するために、本論文では、LLMエージェントのための新しいエージェント型記憶システムを提案する。Zettelkasten法の基本原則に従い、我々は動的な索引付けとリンクによって相互に接続された知識ネットワークを作成するメモリシステムを設計した。新しい記憶が追加されると、文脈的な説明、キーワード、タグを含む複数の構造化された属性を含む包括的なメモを生成する。その後、システムは過去の記憶を分析して関連するつながりを特定し、意味のある類似点が存在する場合にリンクを確立します。さらに、このプロセスは記憶の進化を可能にする。新しい記憶が統合されると、既存の過去の記憶の文脈的表現と属性の更新がトリガーされ、記憶ネットワークが継続的に理解を深めることができる。我々のアプローチは、Zettelkastenの構造化された組織原則と、エージェント駆動型意思決定の柔軟性を組み合わせることで、より適応的で文脈を考慮した記憶管理を可能にする。6つの基礎モデルを用いた実証実験では、既存のSOTAベースラインに対して優れた改善が見られた。ソースコードはhttps://github.com/WujiangXu/AgenticMemory。

要約(オリジナル)

While large language model (LLM) agents can effectively use external tools for complex real-world tasks, they require memory systems to leverage historical experiences. Current memory systems enable basic storage and retrieval but lack sophisticated memory organization, despite recent attempts to incorporate graph databases. Moreover, these systems’ fixed operations and structures limit their adaptability across diverse tasks. To address this limitation, this paper proposes a novel agentic memory system for LLM agents that can dynamically organize memories in an agentic way. Following the basic principles of the Zettelkasten method, we designed our memory system to create interconnected knowledge networks through dynamic indexing and linking. When a new memory is added, we generate a comprehensive note containing multiple structured attributes, including contextual descriptions, keywords, and tags. The system then analyzes historical memories to identify relevant connections, establishing links where meaningful similarities exist. Additionally, this process enables memory evolution – as new memories are integrated, they can trigger updates to the contextual representations and attributes of existing historical memories, allowing the memory network to continuously refine its understanding. Our approach combines the structured organization principles of Zettelkasten with the flexibility of agent-driven decision making, allowing for more adaptive and context-aware memory management. Empirical experiments on six foundation models show superior improvement against existing SOTA baselines. The source code is available at https://github.com/WujiangXu/AgenticMemory.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL