LLM智能体动态图记忆降本增效

当前主流方案如MemGPT、LangChain的Memory模块都沿用检索-排序-注入的固定流程，长上下文时检索噪声和token消耗同步爆炸。这篇的核心 trick 是把记忆当成可重构的图结构而非静态数据库，推理过程中按需"拼合"相关记忆片段，而非一次性全量检索。

实验显示在相同记忆容量下计算开销显著降低，但论文未公开具体训练细节和完整代码仓库。如果后续开源，这可能是替换现有RAG+Memory架构的一个低摩擦切入点；建议先追踪作者GitHub，重点关注其在多轮对话和工具调用场景下的复现结果。