LiCoMemory：面向高效长期推理的轻量级认知代理记忆框架

一句话定位

提出 LiCoMemory，一种基于轻量级分层图结构 CogniGraph 的端到端代理记忆系统，通过语义索引与时间感知重排序实现高效、连贯的长期对话推理。

小学生也能听懂

这篇论文发明了一个叫LiCoMemory的记忆系统，它像一个聪明的小助手，用三层轻量图结构（会话摘要、实体关系、对话块）记住对话内容，通过语义索引和时间感知重排序，能快速又准确地回答长期问题，比旧方法快很多，还省资源。

为什么值得记录

解决了现有图基记忆系统结构冗余、检索碎片化和更新延迟高的问题
在 LoCoMo 和 LongMemEval 基准上显著提升多会话一致性与时序推理准确率（最高 +23%）
实现实时增量更新与低延迟检索，构建 token 消耗降低 3 倍以上，适用于交互式场景

核心方法

引入 CogniGraph：三层轻量分层图（会话摘要层、实体关系层、对话块层），将图结构作为语义索引而非知识仓库
采用超链接跨层连接，确保原始文本与结构化知识间的双向可追溯性
查询处理流程：实体提取 → 会话级匹配 → 实体关系级检索 → 分层-时序-语义联合重排序
设计 Weibull 衰减函数融合时间相关性，平衡语义相关性与信息新鲜度
支持实时交互：每轮对话后增量更新图结构，避免全图重建开销

关键结果

在 LongMemEval 上，LiCoMemory 准确率达 73.8%，比次优基线 Mem0 高 9.0%；LoCoMo 上达 66.4%，优于 Mem0g 7.5%
时序推理子集性能提升显著：LoCoMo 上 +19.2%，LongMemEval 上 +15.9%
检索延迟低至 1.52–1.74s，token 消耗仅 1.2–1.7k，为所有对比方法中最低
实时插入模式下，构建 token 成本降至 13.52k/session，构建延迟仅 21s，远低于 Zep 的 2871s

局限与风险

当前仅支持单模态文本对话数据，无法处理图像、音频等多模态输入
依赖 LLM 进行图构建与抽象，大规模部署时存在计算与成本瓶颈

适合沉淀的概念

cognigraph, hierarchical-graph-memory, temporal-aware-retrieval, real-time-agent-memory, lightweight-knowledge-graph, reranking-with-time-decay, long-term-dialogue-reasoning, memory-efficient-rag

阅读注意

重点关注 CogniGraph 如何解耦存储与索引：节点仅保留标识符，内容仍存于原始 chunk
注意重排序公式中调和平均与 Weibull 衰减的联合使用方式，避免时间主导语义
实验部分需区分静态评估与实时插入两种设置，后者更能体现系统实用性
消融研究显示结构化检索贡献最大，其次为时间感知与会话摘要引导

质量说明

采用来源：raw，raw/papers/2025/11/2511.01448.md
生成模型：LongCat-Flash-Chat
源材料判断：论文提供了完整的方法描述、详尽的实验设置（含超参分析）、多维度评估结果及消融研究，数据充分且可复现性强。