AriadneMem: Threading the Maze of Lifelong Memory

核心问题

长期对话中 agent 记忆面临两大失败模式： 1. 断裂证据 (Disconnected Evidence): 多跳推理需要链接跨越时间的分散事实 2. 状态更新 (State Updates): 信息演化（如日程变更）与旧记录冲突

现有方案要么存储扁平原子但缺乏拓扑连接（simplemem），要么用迭代 LLM 推理连接事实但高延迟高成本。

AriadneMem（以希腊神话中赠予线团导航迷宫的 Ariadne 命名）采用解耦双阶段管线。

将原始对话流转化为稀疏、冲突消解的演化图。

Entropy-Aware Gating: 基于嵌入相似度的冗余检测
高相似度 + 短时间窗口内 → 丢弃（过滤 chit-chat 和短期重复）
长期重复仍保留
Atomic Entry Extraction: 通过 LLM 从滑动窗口提取原子条目 $${m_k} = \mathcal{F}_\theta(W_t)$$
Conflict-Aware Graph Coarsening: 区分冗余与状态更新
$\text{sim} > \lambda_{\text{coal}} \wedge \text{ovlp} > \lambda_{\text{ovlp}}$ → Merge（去重）
$\text{sim} > \lambda_{\text{coal}} \wedge \text{ovlp} \leq \lambda_{\text{ovlp}}$ → Link（状态更新，保留有向时序边）
否则 → Add（新节点）

将检索重构为确定性图遍历而非概率式猜测。

Fast Paths: 缓存命中 + 正则属性查找（零 LLM 调用）
Hybrid Retrieval: dense + lexical 混合检索获取终端节点
Algorithmic Bridge Discovery (Steiner Tree):
对断开的节点对，搜索时间窗口内的桥接节点
$b^* = \arg\max_{m} \cos(E(\mathbf{q}_{ij}), \mathbf{v}_m)$，时间约束
Multi-Hop Path Mining: DFS 提取有向路径（最大 L=3 跳）
Topology-Aware Reasoning: 序列化图结构为 $\mathcal{C}_{\text{graph}}$，单次 LLM 调用生成答案

$$a = \text{LLM}(q, \mathcal{C}_{\text{graph}})$$

方法	Multi-Hop F1	Average F1	Token Cost	Runtime
simplemem	35.89	39.06	550	基准
a-mem	25.06	32.58	2,520	—
AriadneMem	41.34	42.57	497	−77.8%