ActionRAG 如何在 LLM 智能体的记忆图扩散过程中重新审视证据
提出了一种图式记忆架构，在索引阶段谨慎协调实体，并在查询时依据局部结构重新评估关联。在 MemoryAgentBench 上，该方法的平均准确率达到 55.1，比最强检索基线高 5.4 个百分点，且每次查询的合成成本很低。
代理记忆在哪里会失效
作者指出了两类记忆故障。第一类与索引有关，第二类则发生在在线检索时。
- 索引错误可能会拆分重复实体。
- 同样的错误也可能会合并不同实体。
- 在线检索可能会将初始相似度评分视为最终结果。
- 周围的图结构可能提供重新评估这些评分的依据。
实践标准：记忆能否在查询阶段重新评估初始评分。
索引：类型对齐与实体消歧
ActionRAG 的索引流水线分为两步。
- 对齐类型标签。
- 应用多层实体消歧。
这些步骤旨在实现审慎索引。索引错误仍然是一项独立风险。实践标准：是否具备类型对齐和多层实体消歧。
查询时检索：双通道与局部图
对于查询，ActionRAG 通过两个通道提取实体和三元组。这些数据构成初始证据集和受限局部图。
- 两个检索通道提取实体和三元组。
- 根据这些数据构建初始证据集。
- 根据这些数据构建受限局部图。
实践标准：围绕查询构建局部图，而非重新审视整个记忆。
带有直接关联保护的证据扩散
按接收方归一化、由查询条件引导的扩散过程会细化三元组评分，并考虑局部路径结构。重新评估依靠对直接证据的保护和对缺失关联的恢复。
三种机制支持这一重新评估：
- 初始节点保护有助于保留直接证据；
- 对枢纽节点流量施加惩罚；
- 三元组物化有助于恢复缺失的关联。
实践标准：在扩散过程中保留直接证据。
MemoryAgentBench 评测结果说明了什么
MemoryAgentBench (MAB) 检验四个方面：
- 检索准确率；
- 冲突消解；
- 远距离关联理解；
- 测试时学习。
ActionRAG 在 MAB 上的结果：
| 指标 | 结果 |
|---|---|
| 八个采用确定性评估的列中的平均准确率 | 55.1 |
| 高于最强检索式记忆基线方法的幅度 | 5.4 个百分点 |
| 计入查询时间后的平均合成成本 | 四个展示的成本列中均很低 |
| 单独测量的检索侧各组件 p99 之和 | 在消费级 Apple Silicon 系统上为 440.7 毫秒 |
实践标准：分别报告准确率、合成成本和检索组件的 p99。
常问问题
相关材料
所有材料
转向概率单纯形可缩小对比式多模态模型中的模态差距
在论文 arXiv:2610.32890 中，作者提出用概率单纯形替代球面嵌入，并加入轻量级 softmax 适配器和总变差相似度。在五个检索基准测试中，模态间的质心 ℓ2 距离降低了 97–99%，同时检索质量保持不变或有所提升。
3 十一月 2026
十五家公司支持 MDK Tether，实现挖矿自动化
设备制造商、矿池和运营商已着手基于 Tether 开放工具集开发集成，以统一设备监控和管理；AI 代理 QVAC 已在此基础上运行。目前尚未发布有关降低电力成本或提高效率的独立验证。
2 十一月 2026
自主投资中 LLM 智能体的可控发展：采用不可变安全防护层的多智能体架构
本文介绍了 Steward——一个由九个不同角色的 LLM 智能体组成的系统：投资组合决策需经风险经理审核，只有通过可逆的控制流程并重放已记录的数据，才能修改提示词。核心结论是，不可变的核心机制与审计流程让智能体得以持续发展，同时不将风险规则和订单执行的控制权交给它们。
1 十一月 2026