MRAgent

2周前发布 26 0 0

MRAgent不仅仅是一个代码仓库，更是LLM Agent记忆机制的一次重要探索。它证明了“记忆是重构的，而非简单检索”这一理念，通过图结构+工具调用，赋予AI更接近人类的长期记忆能力。

收录时间：

2026-06-27

打开网站手机查看

MRAgent

打开网站

和 AI 聊了一个小时，回头问它”你刚才说的那个建议是什么”，它一脸茫然——这是目前大多数 LLM Agent 的通病。短期上下文窗口有限，长期记忆又只是简单地把对话片段塞进向量库，检索时靠语义相似度”碰运气”，根本做不到像人类一样重构记忆。

MRAgent 的核心洞察就来自这里：记忆不是被”检索”出来的，而是被”重构”出来的。它把零散的多轮对话编织成一张图结构的情景记忆网络，让 Agent 在回答问题时，能像侦探一样沿着关系链推理，而不是在向量库里大海捞针。

MRAgent 网站截图

两大阶段：先”建图”，再”破案”

MRAgent 的流水线非常清晰，分为两个阶段：

Phase 1：构建图记忆

Rewrite —— 把每一轮对话改写成自包含的句子：代词替换成实体、相对时间转成绝对日期、打上主题标签，同时提取个人级事实。
Extract Keyword —— 提取关键信息。
Store —— 把这些信息建进内存图里：关键节点、事件、主题、个人事实，以及它们之间的关联。

这一步相当于给 Agent 做了一次”深度笔记整理”，把杂乱的聊天记录变成结构化的知识图谱。

Phase 2：回答问题

面对用户提问时，MRAgent 启动一个LLM 工具调用推理循环，像侦探查案一样逐步逼近答案。它配备了 7 个专业工具，包括按标签查边、按时间查对话、按关键词查事件、查个人背景、查主题事件等。LLM 会根据当前线索，自主选择调用哪个工具，直到拼凑出完整答案。

三个值得关注的亮点

1. 真正的”多轮长记忆”

MRAgent 在 LoCoMo（ACL 2024）和 LongMemEval（ICLR 2025）两个长对话记忆基准上进行了评估。这两个数据集的特点是：对话跨度极长、信息分散在多轮次中，传统 RAG 系统几乎无法应对。MRAgent 的图记忆结构天然适合这种”碎片化但有关联”的信息组织方式。

2. 工具调用式推理，而非一次性检索

很多系统的问题是：检索一次就硬塞给 LLM 回答。MRAgent 的做法是让 LLM 自己决定需要什么信息，通过多轮工具调用逐步收集证据。这种”主动探索”的推理方式，对复杂问题（尤其是涉及时间线、人物关系、跨主题关联的问题）效果显著。

3. 工程细节很扎实

缓存机制：rewrite、keyword、embedding 各阶段都有缓存，跑过的样本不会重复计算，断点续跑友好。
多模型支持：通过 OpenRouter 统一接入，支持 Gemini、Claude、GPT-4o、Qwen 等主流模型。
并发评估：10 线程并发回答问题，评估时同时支持 F1 分数和 LLM-as-Judge 两种打分方式。

一句话总结

MRAgent 不是又一个”向量库 + Prompt”的 RAG 玩具，而是第一个真正把”记忆重构”这一认知科学概念，工程化落地到 LLM Agent 中的系统。如果你在做长对话助手、个人知识管理、或者任何需要”长期记忆”的 Agent 应用，这个 Repo 值得仔细研究。

暂无评论

暂无评论...