GSEM：从列表到图，AI Agent 记忆架构的进化

问题：噪声记忆比没记忆更糟

现有 memory-augmented 方法把经验存为独立记录，缺乏关系结构，导致检索噪声大——GSEM 论文证明了这甚至比直接 LLM 推理还差。

双层记忆图

GSEM 提出的核心架构：

• 层内边：捕获单次决策的结构（步骤A → 步骤B → 步骤C）
• 层间边：捕获跨经验的依赖（经验X的成功依赖经验Y）
• 在线校准：根据反馈动态调整边权重

记忆架构三代演进

世代	方案	优点	缺点
第一代	Flat List	实现简单	经验间无关系，检索噪声大
第二代	Structured Memory	检索更精准	缺乏经验间的动态关系
第三代	Graph Memory	检索准确率最高	图构建和维护成本高

关键设计原则

1. 记忆不是越多越好——噪声记忆比没记忆更糟
2. 关系比内容更重要——知道两个经验如何关联更有价值
3. 记忆需要进化——静态记忆会过期
4. 检索要”适用性感知”——不是找最相似的，而是找最适合当前情境的

结果

在 MedR-Bench / MedAgentsBench 上用 DeepSeek-V3.2 达 70.90%，所有 baseline 最高。

参考论文：GSEM: Graph-based Self-Evolving Memory (arXiv:2603.22096)