GAM：把「什么时候写入记忆」变成第一性设计变量

• 0 · 检索说明
• 1 · 链接清单
• 2 · 核心工作深度解析
• 3 · 相关工作回溯
• 4 · 演进脉络
• 5 · 开放挑战
• 6 · 表格对标
• 7 · 其他近期工作
• 8 · TL;DR

本期检索覆盖 ACL Anthology 2026（Main + Findings）、EACL 2026、IJCAI 2025 proceedings、arXiv cs.CL/cs.AI 2604–2607 月份、ICLR 2026 MemAgents workshop 页面，以及两份社区论文列表，累计浏览候选 24 篇。

1. 按会议优先级，ACL 2026 主会长文 > arXiv 预印本。主会检出两篇强候选：GAM（2026.acl-long.1600）与 How Memory Management Impacts LLM Agents（2026.acl-long.27）。
2. 主动排除 2607.08032（率失真视角的记忆压缩，7 轴分类法 / 四层对比）与 AgeMem 2601.01885 系工作——其标志性元素（7 轴分类表、奖励函数分量表、优势广播、PDDL 17.31 vs 18.39）均已在既往报告中详述，属点名回避范围。
3. 子方向轮换：首期为 RL 训练记忆策略，本期切换到 记忆架构与巩固机制，并在末节补充记忆安全、评测基准两条线。
4. 选定 GAM 的理由：ACL 2026 主会长文，含 4 backbone × 7 方法 × 4 任务 × 2 指标的完整主结果矩阵、四路消融、三组超参敏感性、效率与长程扩展表——足以支撑定量优先的深度分析。

1.1 核心工作

书目：Zhaofen Wu, Hanrong Zhang, Fulin Lin, Wujiang Xu, Xinran Xu, Yankai Chen, Henry Peng Zou, Shaowen Chen, Weizhi Zhang, Xue Liu, Philip S. Yu, Hongwei Wang. GAM: Hierarchical Graph-based Agentic Memory for LLM Agents. ACL 2026 (Vol. 1: Long Papers), July 2026.
单位：浙江大学（国际联合学院）、University of Illinois Chicago、Rutgers University、MBZUAI、McGill University。

1.2 回溯的相关工作

2.1 摘要与核心定位

摘要的关键句：“To sustain coherent long-term interactions, LLM agents must navigate the tension between acquiring new information and retaining prior knowledge.”——为维持连贯的长期交互，agent 必须在「获取新信息」与「保留既有知识」这对张力之间导航。GAM 的做法是把记忆编码（encoding）与记忆巩固（consolidation）解耦：正在进行的对话被隔离在事件推进图（EPG）内，只有检测到语义漂移时才整合进主题联想网络（TAN），并配套图引导的多因子检索（MFR）。

这个定位与已覆盖过的 AgeMem 系工作形成有趣的对照：AgeMem 把记忆操作内化为策略的动作空间（学会怎么写），GAM 则主张即使不学，只要把「什么时候允许写」这个闸门装对，就能拿到大部分收益。两者构成「学习 vs. 架构」的正交路线。

2.2 Motivation 与问题论证

论文指向的痛点是记忆污染（Memory Contamination），被拆成两个可观察的失败模式（Figure 1 上半部分）：

成因被归结为流式系统的开闸策略（open-gate policy）：“Newly acquired and noisy information is directly appended or merged into the long-term store.”

新颖之处在于归因层次。此前工作对同一现象的归因分散在别处：A-MEM 归因为缺乏关联结构；MemoryOS 归因为缺乏容量分层；Mem0 归因为抽取质量；AriGraph/Zep 归因为结构与时序表达力。GAM 说：以上都在优化「写什么」和「怎么组织」，没人管「什么时候写」——这是一个真正未被占据的设计维度。

2.3 论文的故事线（论证结构）

2.4 方法论与机制解剖

2.4.1 双层图与状态机

论文对 E_cross 的定位：“These associations act as an index that connects topic nodes in the global graph to the archived snapshots of event graphs within S_arch.”——主题层负责导航，归档层负责证据，这是防止摘要化丢失细节的关键。

2.4.2 语义边界检测器

Δ(·,·) 由 LLM 作为 “neural proxy” 评估当前事件图与全局主题网络的语义偏离度。工程上的关键权衡：该检测器不是每轮调用，而由稀疏维护事件（session 结束、缓冲区溢出）触发——把昂贵的 LLM 调用摊薄到整个 session。

2.4.3 双粒度节点与 coarse-to-fine 建边

2.4.4 图引导多因子检索（MFR）

指数形式的门控意味着：某因子命中就乘 β_k，不命中乘 1（β⁰ = 1）——乘性、可组合、无需归一化的重排设计。

β_time 与 β_role 相等而 β_conf 明显更低，暗示作者认为「谁说的」与「什么时候说的」是同等重要的检索线索，系统自身置信度只是次要修正。这在多方对话下合理，但在单人长程对话里 role 因子几乎不提供信息（见 §2.7 批判 3）。

2.4.5 关键超参与实现

2.4.6 整体流程

2.5 实验设计与定量结果

2.5.1 设置

• 基准：LoCoMo（Maharana et al., 2024，取前四类推理任务）；LongDialQA（Kim et al., 2024，改编自三部美剧剧本的多方对话，3 个子集）。
• Backbone：Llama-3.2-3B-Instruct、Qwen2.5-7B-Instruct、Qwen2.5-14B-Instruct、GPT-4o-mini（全部 off-the-shelf，不微调）。
• 基线：MemoryBank、ReadAgent（启发式）；MemGPT、MemoryOS、Mem0（统一流式）；A-Mem（自反思）；AriGraph（附录 B.3）。
• 指标：F1（实体捕获）、BLEU-1（词面准确度）。

2.5.2 主结果 — LoCoMo（论文 Table 1，完整 4 backbone × 7 方法矩阵）

分任务细节（F1，节选自 Table 1）

2.5.3 主结果 — LongDialQA（论文 Table 2）

子集分解（Qwen2.5-7B，Table 5）：The Big Bang Theory 18.73（1.00×）｜ The Office 11.60（0.62×）｜ Friends 7.32（0.39×）。

2.5.4 消融研究（论文 Table 3 / Table 6，Qwen2.5-7B，LoCoMo）

消融的多层级读法

1. 组件重要性排序：EPG ≫ SSM > TAN > MFR。写隔离的贡献是检索优化的 3.68 倍（14.94 / 4.06）。这直接支持核心主张——问题在写通道，不在读通道。
2. 四项单独降幅之和 = 31.35 F1，而 GAM 相对 Mem0 的总增益只有 4.62 F1。降幅之和远大于总增益，说明四个组件高度非可加、存在强耦合（去掉 EPG 后 SSM 无缓冲可切、E_cross 无归档可指）。这意味着 GAM 不是一个可以拆开局部采用的方案，工程复用成本高于论文暗示的水平。
3. Single-Hop 对 EPG 的敏感度异常高：w/o EPG 时从 54.58 崩到 26.68（−51.1%），而 w/o TAN 时仅 54.58 → 52.46（−3.9%）。说明简单事实召回几乎完全依赖归档原始证据（c_raw / S_arch），不依赖主题层——为「按查询类型走不同检索路径」提供了实证依据。

2.5.5 超参与设计敏感性

(a) 主题切分策略（Fig. 3）—— 又一处不连续

(b) 切分噪声鲁棒性（Fig. 4）

GAM 在 40% 边界被打乱时仍有 38.60，高于所有启发式基线的无噪声成绩，降幅仅 −1.40（−3.5%）。说明多因子重排与跨层索引对边界错误有显著下游补偿能力——这是被论文低调处理但工程价值很高的结论。

(c) 检索规模 k（Fig. 6）—— 倒 U 型

峰值在 k=10；k=40（37.28）低于 k=5（38.92），比峰值低 2.72（−6.8%）。典型的检索稀释：多召回的低相关节点挤占了有效证据的注意力预算。k=40 的 37.28 仍高于 Mem0 的 35.38，说明 GAM 下限尚可。

(d) 调制因子敏感性（Fig. 5）

β_conf 在整个区间内波动 ≤ 0.2 F1（≤0.5% 相对变化），实际上是一个近乎无效的因子。把它设为 1.0（关闭）也几乎不损失性能。

2.5.6 效率与扩展性

(a) 单查询效率（Table 4，LoCoMo，Qwen2.5-7B）

• Token：GAM 比 Mem0 少 10.7%；Token 效率 29.19 vs 23.06（+26.6%），vs A-Mem 5.73（5.09 倍）。
• 时延：GAM 0.80 s vs Mem0 0.51 s，+56.9%。论文称 “13% F1 improvement over Mem0 at comparable latency”——“comparable latency” 是偏宽松的表述，0.80 s 相对 0.51 s 是 1.57 倍。
• MemoryOS 的 154.22 s/query 是数量级外的离群值（比 GAM 慢 193 倍）。
• 边界检测器开销（附录 C.1）：0.63 s/session，932.36 in / 6.15 out token。输入/输出比 151.6 : 1——「读长写短」的判别式调用，这解释了为何必须做成稀疏触发：若每轮调用，仅此一项就会把 token 预算推到 A-Mem 量级。

(b) 长程扩展（Table 10）

• 节点/边随 session 数近似线性增长（事件节点 ≈ 24.3/session，边 ≈ 122/session），未出现图爆炸。
• Token/query 从 1604 → 1836，仅 +14.5%，而 session 数增长 9 倍——GAM 最强的可扩展性证据：上下文成本几乎与历史长度脱钩。
• 但时延不是：3 → 15 sessions 时延 ×6.4（0.65 → 4.16 s）；15 → 27 仅 ×1.13。曲线先陡后平，形状可疑。

(c) 与 AriGraph 的补充对比（Table 7，Qwen2.5-7B）

说明：论文将 AriGraph 放在附录 B.3 而非主表，因其面向文本游戏、迁移到开放域对话属 out-of-domain 使用。本报告在提取该表时发现 Multi-Hop 一行的 GAM 数值与 Table 1 存在对不齐的可能（25.77 恰为 GAM Multi-Hop 的 BLEU-1），故统一采用 Table 1 的 F1 口径，并标注该不确定性。

(d) 代理多模态实验（Table 8，MovieChat-1K + dense video captions）

这是把视频转成 dense caption 后走文本记忆的代理实验，论文明确不主张 native multimodal。价值在于证明「语义边界触发」这一机制不依赖对话这一特定模态——视频叙事的场景切换同样构成有效边界信号。

2.6 价值分析

真正的贡献不是「提出了一个图记忆系统」，而是三件事：

1. 把「写入时机」确立为独立的设计维度并给出了它的量纲。在 GAM 之前，设计空间大致是 {表示结构、更新算子、检索策略、（近期）学习信号}。GAM 加进第四个正交轴：write gating / consolidation timing。w/o EPG 的 −37.4% 与切分策略实验里 34–37 带的天花板共同给出了这个轴的收益量级——它比检索优化（−10.2%）重要 3.7 倍。这个结论独立于 GAM 的具体实现而成立。
2. 给出了「离散边界信号」在无边界域中的构造方法。AriGraph 的成功依赖游戏环境免费提供状态转移；GAM 证明用一个稀疏调用、读长写短（932 in / 6.15 out token）的 LLM 判别器就能在自然对话中合成该信号，且对 40% 边界噪声鲁棒。这套机制可低成本迁移到任何「叙事流」场景——代码 agent 的任务分段、客服工单的意图切换、视频的场景切换（Table 8 已示范）。
3. 双粒度节点 + 跨层索引是对「摘要即有损」的干净解法。消融支持它：Single-Hop 在 w/o TAN 时几乎不掉（−3.9%），在 w/o EPG 时崩塌（−51.1%），证明摘要层和证据层确实承担了不同的查询类型。

可脱离本文单独复用的设计件

2.7 局限性

(A) 论文自述的限制

Limitations 节只谈了模态一件事：“the current instantiation of GAM is limited to text modality... Consequently, the model cannot perform fine-grained reasoning over visual or auditory inputs... We leave this extension to future work and do not claim native multimodal reasoning in the current system.”

可归纳为：(1) 仅文本模态；(2) 无法对视觉/听觉输入做细粒度推理；(3) 明确不主张 native multimodal（对 Table 8 代理实验作了自我限定，这一点是诚实的）。

(B) 补充批判（本报告独立观察，7 点）

批判 1 — 增益随 backbone 能力单调收窄，论文未讨论，这威胁到方法的长期价值。

单调递减，从 20.5% 收窄到 6.9%，跨度 2.97 倍。这与论文「架构性缓解记忆污染」的框架不一致：如果污染是架构层面的结构性缺陷，它不应该被 backbone 能力显著补偿；而数据显示它明显被补偿了。更合理的解释是：GAM 的一部分收益来自代替弱模型完成语义组织，而非消除一个模型无关的结构缺陷。论文缺失更强 backbone（GPT-4o / Claude / Qwen-72B 级）的外推点，因此无法排除「收益在前沿模型上趋近于零」。这是本文最重要的未验证风险。

批判 2 — Temporal 任务上的失手模式暴露了主题层的表达缺陷。四个 backbone 上 GAM vs Mem0 分别为 +16.04 / +7.75 / +0.05 / −4.46（BLEU-1 上后两者为 −0.52 和 −3.63）。这不是随机波动，而是与 backbone 能力反向相关的系统性模式。结构上的解释：GAM 的时间信息只体现为重排阶段的乘性 boost β_time = 1.4，主题联想网络本身没有时间轴——E_topic 是语义相关性打分建的边，不携带时序语义。相比之下 Mem0/Zep 会显式维护事实的时间属性与失效关系。这与论文声称的 “fuses temporal, confidence, and role-centric signals” 存在落差：时间是被加权的，不是被建模的。

批判 3 — β_role = 1.4 的设定在单人对话上是无依据的，而主结果的绝大部分来自单人对话。LoCoMo 是双人长程对话，role 因子的判别力极低（先验 50%，仅 1 bit）；论文却在 LoCoMo 上把 β_role 调到与 β_time 相同的 1.4 并报告为单峰最优。一个只提供 1 bit 信息的因子却与时间因子同权重，要么说明 Fig. 5 的扫描是在噪声上找峰值，要么说明 role 因子实际在编码别的东西（如说话人风格的词面特征，从而与 F1/BLEU-1 这类词面指标耦合）。论文没有做「LoCoMo 上关闭 β_role」的单独消融，歧义无法排除。

批判 4 — β_conf 是一个装饰性因子，敏感性数据自己承认了这一点。Fig. 5 显示 β_conf 在 [1.0, 2.0] 全区间 F1 稳定在 39.8–40.0，波动 ≤0.2（≤0.5% 相对变化）；作为对照 β_role 与 β_time 呈明显单峰。把 β_conf = 1.0（关闭）代入，性能损失在测量噪声内。论文仍将其作为「三因子」之一列入方法贡献并给出 1.2 这个精确取值，这在呈现上夸大了组件数量。诚实的写法应是「两个有效因子 + 一个中性因子」。

批判 5 — 指标选择使 GAM 与社区主流结果不可比，且可能系统性偏向 GAM。GAM 全程用 F1 + BLEU-1，而 LoCoMo 主流报告（含 Mem0 原论文的 +26% 相对提升、−91% p95 时延）用 LLM-as-a-Judge，两者不可换算。这带来两个问题：（i）可比性——读者无法把 43.14 F1 放进社区已有排行中定位；（ii）偏向性——GAM 的 c_raw 原文保留机制天然有利于词面重叠指标，检索回原始文本片段会直接抬高 F1/BLEU-1，而摘要式方法（Mem0 抽取的是改写后的事实）在词面指标上先天吃亏。GAM 相对 Mem0 的部分增益可能来自「是否保留原文」这一表示选择，而非「何时写入」这一核心主张。论文未提供 judge-based 或语义等价指标来隔离这个混淆因素，这是实验设计层面最需要补的一块。

批判 6 — 时延报告的内部不一致，且「comparable latency」的表述不成立。Table 4 报 0.80 s/query，Table 10 在 15/27 sessions 下报 4.16 / 4.71 s，相差 5.2–5.9 倍。即便采用最有利的 0.80 s，相对 Mem0 的 0.51 s 也是 +56.9%，称其为 “comparable latency” 与数据不符。由于论文未公开代码，两表口径差异无法核实，只能标注为待澄清项。

批判 7 — 缺少两类关键竞品对比，使核心主张的验证不完整。

• 缺 RL 记忆基线。GAM 主张「架构层面的写门控足以缓解污染」，其天然对手是「学习层面的写策略」（Memory-R1 / MemAct / AgeMem）。论文基线里没有任何一个 RL 训练的记忆方法，「架构 vs. 学习」这条最有信息量的对比完全缺席。考虑到两条路线优化的是同一个决策变量，这个空白比缺少某个 RAG 基线严重得多。
• 缺同结构消融式对手。要证明收益来自「语义触发」而非「分层图」，最干净的对照是「分层图 + session 触发」——这个配置已经在 Fig. 3 里存在（session-based, 36.59），但被呈现为切分消融而非主表命名基线。若并列，读者会立刻看到：GAM 相对 Mem0 的 4.62 分增益里，3.41 分（74%）来自语义边界，只有 1.21 分（26%）来自分层图结构本身。这个分解对论文有利，但被埋在图里而不是摆在台面上。

3.1 MemoryBank — AAAI 2024（arXiv 2305.10250, 2023-05）

解决了什么问题：第一批把「长期记忆」作为独立系统组件而非上下文技巧来处理的工作之一。引入基于艾宾浩斯遗忘曲线的时间衰减，让记忆强度随时间与重访频率演化。核心贡献一句话：把遗忘从一个缺陷重新定义为一个可设计的机制。

遗留了什么问题：衰减是纯时间函数，与内容语义完全解耦——一条被反复提及的琐事会比一条只说过一次的关键承诺存活更久。存储扁平、记忆间无关系结构，因此「记忆丢失」表现为条目被衰减掉，而非 GAM 刻画的结构性失联。它打开的空间是：遗忘/保留的判据应当来自语义与结构，而不是时钟。

核心工作如何回应：GAM 是这条线的彻底反转——它不做衰减。立场是：入口处就把噪声挡住，下游就不需要靠遗忘来救场。主结果中 MemoryBank 的 Avg F1 只有 4.57–6.71，是全表最弱之一。

关键设计的传递：「记忆强度随事件更新」在 GAM 中以变形存在——β_time = 1.4 就是一个极简化的、只作用于检索期而非存储期的衰减代理。GAM 把衰减从写侧搬到了读侧。

3.2 MemGPT — arXiv 2310.08560（2023-10）

解决了什么问题：用操作系统的虚拟内存隐喻，把有限上下文窗口做成「主存 + 外存」的分页系统。核心贡献一句话：把上下文窗口的物理限制转化为一个可被 agent 自己管理的资源。

遗留了什么问题：分页解决的是容量，不是语义组织。换页由容量压力驱动（页满就换），写入外存的内容不经任何质量筛选——这正是 GAM 批评的 open-gate policy 的原型。它打开的空间是：容量管理 ≠ 记忆管理。

核心工作如何回应：GAM 的 EPG 表面像 MemGPT 的「主存」，但触发语义完全不同：MemGPT 换页由 buffer overflow 触发，GAM 巩固由 b_t = 1（语义边界）触发；overflow 在 GAM 里只是次要触发条件之一。这个替换正是 GAM 的全部主张。数据上 MemGPT 在 LoCoMo（Qwen-7B）Avg F1 为 5.91，GAM 为 40.00（6.77 倍）——这个对比对 MemGPT 不公平（它不是为对话记忆设计的），但足以说明容量隐喻与语义组织之间的鸿沟。

关键设计的传递：分层 + 溢出触发这套骨架被完整继承（2048-token buffer、overflow 作为维护事件之一），只是被降级为「兜底触发器」。

3.3 A-MEM — NeurIPS 2025（arXiv 2502.12110, 2025-02）

解决了什么问题：Zettelkasten 卡片盒方法的 agentic 实现——每条新记忆自动生成结构化属性、与已有记忆建立链接，并反向更新被链接记忆的上下文表示。核心贡献一句话：让记忆网络自组织，无需预定义 schema。

遗留了什么问题：这正是 GAM 点名的对象。A-MEM 的链接与演化在每条新记忆到达时触发，且直接作用于全局记忆网络——没有写隔离。于是每一条未完成的、含噪的对话片段都有权改写全局结构，Memory Loss 与 Semantic Drift 正是这个机制的直接产物。它打开的空间是：自组织的对象必须是「语义完整的单元」，而不是「每一条到达的片段」。

关键设计的传递：coarse-to-fine 建边是 A-MEM 链接生成机制的直系后代，改动在于从「每条触发」降频到「每次巩固触发」，把 LLM 调用量从 O(轮数) 压到 O(主题数)。

3.4 AriGraph — IJCAI 2025（arXiv 2407.04363, v1 2024-07 / v3 2025-05）

解决了什么问题：为 agent 构建语义记忆 + 情景记忆一体的知识图谱世界模型，在环境探索中增量更新。核心贡献一句话：证明了结构化图记忆可以支撑长时程的规划与多跳推理，而不只是检索。

遗留了什么问题：GAM 的批评很精准——AriGraph “tailored for text-based games with discrete state transitions, which are rarely present in the ambiguous boundaries of natural conversation.” 文本游戏的每个动作天然构成一次离散状态转移，图更新的时机是环境免费提供的。搬到自然对话后这个信号消失。附录 Table 7 是实证：AriGraph 在 Temporal 上只有 5.51 F1（GAM 48.97，8.89 倍），基本等同失效。它打开的空间是：结构化图记忆的可行性依赖于一个外部的「何时更新」信号；在没有该信号的域里，必须自己造一个。

核心工作如何回应：GAM 的答案就是「自己造」——b_t = 𝟙(Δ(G_event, G_topic) > ε) 正是 AriGraph 在游戏里免费得到的离散状态转移的合成替代品。而 Fig. 4 的噪声鲁棒性（40% 噪声下仍 38.60）进一步说明：这个合成信号不需要精确，只需要大致对齐语义。

关键设计的传递：语义/情景双层记忆的划分被完整继承并重命名——AriGraph semantic ↔ GAM G_topic，AriGraph episodic ↔ GAM G_event + S_arch。GAM 的创新不在这个划分，而在两层之间的转移由什么触发。

3.5 MemoryOS — EMNLP 2025 Main (Oral)（arXiv 2506.06326, 2025-05）

解决了什么问题：把 OS 隐喻做实，建立 STM / MTM / LPM 三级存储 + 四模块架构，用类似换页的 heat 机制在层间迁移。原论文报告 LoCoMo（GPT-4o-mini）上 F1 提升 49.11%、BLEU-1 提升 46.18%。核心贡献一句话：把「记忆分层」从隐喻落实为可运行的调度系统。

遗留了什么问题：分层有了，但层间迁移的触发仍是启发式的——由访问热度与容量压力驱动，而非语义完整性。代价在效率表里显露无遗：154.22 s/query，比 GAM 慢 193 倍、比 Mem0 慢 302 倍——多级调度的编排开销吞掉了架构收益。它打开的空间是：层数不是关键变量，触发信号才是；且分层调度的工程开销必须被显式预算。

核心工作如何回应：GAM 做了两件针对性的事——把三级压回两级（TAN + EPG/S_arch）减少调度面；把触发信号从 heat 换成语义边界。结果既超过 MemoryOS 的效果（40.00 vs 28.86，+38.6%），又把时延压回 0.80 s。这条对比是「分层的收益来自语义对齐而非层数」这一命题最直接的证据。

3.6 Mem0 — arXiv 2504.19413（2025-04）

解决了什么问题：面向生产的记忆层——动态抽取显著事实，用 LLM 驱动的 ADD / UPDATE / DELETE 维护紧凑事实库。原论文报告 LoCoMo 上相对 OpenAI 记忆方案 +26%（LLM-as-a-Judge）、p95 时延低 91%、token 成本降 90%+。核心贡献一句话：证明了轻量抽取式记忆在成本/效果比上可以压过重型架构。

遗留了什么问题：Mem0 是 GAM 主表里最强的基线，但更新是逐条、即时、直接作用于全局事实库的——教科书式的 open-gate。抽取器面对一段尚未讲完的叙事时只能基于片段做决策，错误一旦写入就需后续 UPDATE/DELETE 纠正。此外抽取式表示丢弃原文，细粒度证据不可回溯。它打开的空间是：在保持轻量的前提下，能否给写入加一道语义闸门？

核心工作如何回应：GAM 的回答是「能，而且几乎不加成本」——1370.18 tok/query 低于 Mem0 的 1533.94（−10.7%），Avg F1 高 4.62（+13.1%），代价只是 +0.29 s 时延和一个稀疏的边界检测器。双粒度节点直接补上 Mem0 丢弃原文的缺口。

关键设计的传递：Mem0 的「紧凑摘要以控 token」被继承为 c_sum；GAM 的改动是在其旁边并置 c_raw，用 E_cross 按需取用——即用索引换存储，而不用摘要换 token。

4.1 演进树（非线性，多维汇聚）

4.2 演进的内在逻辑

这条线背后的推动力，是「记忆系统的控制变量」逐级上移：

转折一（阶段二 → 三）：社区意识到「容量管理 ≠ 记忆管理」。MemGPT 之后所有工作都开始在表示上做文章（图、卡片、事实三元组），触发信号却统一退化为「内容一到就写」。这是 open-gate 时代，也是记忆污染问题被批量制造出来的时期。

转折二（阶段三 → 四）：GAM 指出表示的军备竞赛已经边际收益递减——w/o EPG 说得很清楚，再精致的表示在开闸写入下都会退回 A-MEM 水平。控制变量必须从「写什么」上移到「何时写」。

5.1 理论层面

1. 写入时机的信息论刻画（高价值 · 中门槛）。GAM 用不透明的 LLM 判别器给出 b_t，但没回答「最优边界是什么」。可操作切入：把巩固建模为最优停止问题——在事件流上每轮选择「继续缓冲」或「提交」，目标是最大化提交后主题节点对未来查询分布的互信息 I(v_new ; Q_future) 减去写入代价。这能给出 b_t 的可计算上界，也能解释 Fig. 3 中「启发式全部卡在 34–37 带」是否为信息论必然。门槛低在于：LoCoMo 已有查询标注，可直接近似 Q_future。
2. 写隔离收益随模型能力衰减的定量律（高价值 · 低门槛）。批判 1 观察到 20.5% → 6.9% 的单调收窄。用 4–6 个能力梯度的 backbone（3B / 7B / 14B / 32B / 72B / 前沿闭源）复跑 GAM vs Mem0，拟合「增益 ~ 能力」曲线并外推零点，可直接回答「记忆架构在前沿模型上还值不值得做」这个全社区私下都在问但没人公开测的问题。这是当前最高性价比的一个实验：不需要新方法，只需要一张表。
3. 摘要-证据双粒度的最优配比（中价值 · 低门槛）。{c_sum, c_raw} 把存储成本翻倍以换证据可回溯。消融显示 Single-Hop 高度依赖 c_raw（−51.1%），多跳/时序更依赖 c_sum。缺一个刻画：给定存储预算下 c_raw 保留比例 ρ 与各类查询准确率的 trade-off 曲线。这可直接与率失真那条压缩线接上——双粒度本质上是一个双码率方案。

5.2 工程与应用层

4. 判决「架构 vs. 学习」需要 head-to-head 实验 —— 这是下一步最关键的空白。GAM（架构门控）与 AgeMem/Memory-R1/MemAct（学习门控）优化的是同一个决策变量，却从未在同一基准、同一 backbone、同一指标下比过。具体设计：固定 Qwen2.5-7B 与 LoCoMo，跑四个配置——(i) Mem0（开闸基线）、(ii) GAM（架构门控）、(iii) RL 门控 + 扁平存储、(iv) RL 门控 + GAM 分层存储。配置 (iv) 检验两者是否可加：若 (iv) ≈ max((ii),(iii))，说明二者优化同一自由度，社区应择一；若 (iv) 显著更高，说明架构提供了 RL 无法自行发现的归纳偏置。这个实验的信息量远超再发三个新记忆架构。
5. 把 b_t 变成可学动作（高价值 · 中门槛）。边界检测器是一个二分类器，天然可用 GRPO/DPO 类方法在下游 QA 回报上微调。关键设计问题是奖励延迟——巩固决策的回报要在数十轮后兑现。可行替代：用 §5.1.1 的互信息代理作为过程奖励绕开延迟。（这与 AttriMem「用 token 级归因构造局部奖励」的思路同构，值得交叉验证。）
6. 补上时序建模而非时序加权（高价值 · 低门槛）。批判 2 显示 GAM 在强 backbone 的 Temporal 上落后 Mem0 最多 4.46 F1。具体方案：给 E_topic 加 bi-temporal 标注边（事件发生时间 + 记录时间，即 Zep 与 Governed Shared Memory 的 temporal supersession 做法），并在 Stage 2 下钻时支持时间区间过滤，而不是把时间塞进 Stage 3 的乘性 boost。可直接在 LoCoMo Temporal 子集上验证是否消除该失手。
7. Benchmark 的三处缺口。(a) LongDialQA 上所有方法绝对分都在 3.87–12.55 F1 区间，接近噪声底，方法间差异（GPT-4o-mini 上仅 +0.28）不足以支撑结论；(b) 缺长程性能衰减曲线——GAM 的 Table 10 给了成本却把 F1 列留空，这正是最该报的数；(c) 词面指标与 judge 指标的双轨报告应成为规范，否则 c_raw 类设计会系统性「刷分」。EvoMemBench 与 Memora 各补了一角，但尚无一个基准同时覆盖。

5.3 新兴方向

8. 可逆巩固 / 回滚（中价值 · 中门槛）。GAM 的巩固是单向的：v_new 一旦进入 TAN 就不可撤销。但边界检测有 ~40% 的容错空间（Fig. 4），意味着错误巩固一定会发生。缺一个机制：当后续证据表明某次巩固切错主题时，把 v_new 拆回 S_arch 并重新巩固。这需要给 E_cross 加版本语义——技术上与 §5.2.6 的 bi-temporal 边是同一套基础设施。
9. 多智能体共享记忆下的写门控。GAM 的写隔离是单 agent 的。共享记忆中写门控还要回答「谁有权提交」以及「提交后如何传播」——正是 Governed Shared Memory 刻画的 provenance collapse / stale propagation。把 b_t 从「语义完整性判据」扩展为「语义完整性 + 来源权威性」的联合判据，是一个自然且未被占据的组合。
10. 写门控与记忆投毒防御的交叉。写隔离缓冲区在安全视角下就是一个隔离区（quarantine）：攻击者注入的内容在被提交到长期层之前，先在 EPG 里停留一个语义单元。这为投毒防御提供了天然检查点——b_t 触发时同时做来源绑定校验。当前的记忆安全工作（TMA-NM）在写时做 origin binding，GAM 在写时做语义门控，两者的触发点完全重合但从未被合并讨论。这是一个明显的空白。
11. native 多模态边界信号。论文自述限制指向多模态，但更有意思的问题不是「记忆节点能否多模态」，而是「边界信号能否多模态」——视觉场景切换、语音的话轮/情绪转折，都是比文本主题漂移更强的边界指示器。Table 8 的 MovieChat-1K 代理实验（+8.16 accuracy）已暗示这条路可行。

表格读出的三条趋势：

1. 绝对性能阶梯（Qwen2.5-7B, LoCoMo Avg F1）：MemoryBank 5.88 → MemGPT 5.91 → A-Mem 24.20 → MemoryOS 28.86 → Mem0 35.38 → GAM 40.00。三年间 6.8 倍，但最近三档增幅在收窄（+19.3% → +22.7% → +13.1%），暗示这条路线正在逼近当前指标下的天花板。
2. 成本方向反转：早期工作（A-Mem 4221 tok/q）用更多上下文换性能，2025 年后（Mem0 1534、GAM 1370）转为同时降本增效。记忆研究已从「能不能记住」进入「以什么代价记住」的阶段。
3. 会议接纳度上升：AriGraph→IJCAI 2025、A-MEM→NeurIPS 2025、MemoryOS→EMNLP 2025 Oral、GAM→ACL 2026 Main Long。Agent Memory 已从 workshop 话题变成主会话题，这也意味着评审标准会迅速抬高——单纯的架构组合会越来越难过主会。

Filesystem-Based Memory for LLM Agents: Organization, Evolution, and Sustainability — 2026-07-29, arXiv（59 页 / 12 图 / 18 表）

对「agent 用 markdown 文件系统当长期记忆」这一实际部署形态的首个系统性研究，结论相当逆耳：组织良好的存储在材料多时可把检索成本减半，但多数 agent 无法随记忆增长维持组织结构，且更好的组织并不稳定地带来更好的答案。最有意思的一条：工具选择对记忆结构的影响与换底座模型相当。与 GAM 形成对照——GAM 假设结构化组织有价值，这篇质疑这个假设在真实 agent 手里能否维持。
arXiv ｜ Code: 未找到

AttriMem: Attribution-Guided Process Feedback for Agent Memory Learning — 2026-07-23, arXiv

用 token 级贡献度归因构造局部奖励，补在 outcome reward 之上训练记忆构建策略，报告在长程对话 QA 上优于检索式、启发式与其他 RL 方法并改善优化稳定性。这是对「轨迹级优势广播无法区分冗余/无效/有害操作」这一老问题的正面回应，也正是 §5.2.5 提到的过程奖励思路的现成实例。
arXiv ｜ Code: 未找到

What to Keep, What to Forget: A Rate–Distortion View of Memory Compaction — 2026-07-09, arXiv

把 KV cache 管理到 agent 长期存储统一成同一个率失真决策，给出七轴分类法。核心发现对 GAM 很有杀伤力：注意力幅度、近因等选择信号会系统性失败，因为它们在查询到达之前就丢弃了信息——这恰是 GAM 的 β_time 式重排无法规避的问题。（注：已在既往报告中详述，此处仅作交叉引证。）
arXiv

Governed Shared Memory for Multi-Agent LLM Systems — 2026-06-23, arXiv

刻画多 agent 共享记忆的四种失败模式——未授权泄露、陈旧传播、矛盾持存、来源坍塌，给出 scoped retrieval / temporal supersession / provenance tracking / policy-governed propagation 四个系统原语，在生产多租户服务 MemClaw 上验证（深度 4 推导链 100% 写者身份正确、跨 fleet 零泄露）。temporal supersession 正是 §5.2.6 建议 GAM 补上的那块。
arXiv ｜ Code: 未找到

Securing LLM-Agent Long-Term Memory Against Poisoning (TMA-NM) — 2026-06-23, arXiv

证明依赖内容分析或推导追踪的现有防御会被三种 LLM 特有的「攻击洗白」通道绕过（agent 摘要、可信工具回显、伪造佐证），并形式化证明写时来源绑定是必要的。八个前沿模型上现有防御攻击成功率最高 68%，TMA-NM 降到 0%。与 GAM 的写门控在触发点上完全重合（见 §5.3.10）。
arXiv

EvoMemBench: Benchmarking Agent Memory from a Self-Evolving Perspective — 2026-06-15 (v2), arXiv

沿「记忆范围 × 记忆内容」两维统一评测 15 种记忆方法。五条结论都很扎手：长上下文基线依然有竞争力；收益主要出现在 16–32K 的受限预算下；不同域需要不同记忆类型；知识修订比知识保持难得多；跨环境迁移只在结构对齐时成功。对 GAM 而言第二条尤其值得警惕——它暗示记忆架构的收益窗口可能随上下文窗口扩张而关闭。
arXiv

Memora: From Recall to Forgetting — Benchmarking Long-Term Memory for Personalized Agents — 2026-04-21, arXiv

覆盖周/月/季三档时间跨度、10 个 persona，要求跨 5–28 个历史 session 做记忆整合、处理 2–15 次知识更新，提出 FAMA（Forgetting-Aware Memory Accuracy）显式惩罚使用已失效记忆。关键发现：所有系统从周到季单调退化；推理任务平均分低于 28/100；引入遗忘惩罚后分数下降 5–43 分。正好补上 GAM Table 10 缺失的「长程性能衰减」那一列。
arXiv

How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior — ACL 2026 Main, Long

实证刻画 agent 的 experience-following 属性：任务输入与被检索记忆输入越相似，输出就越相似——由此导出两个失败模式，错误传播与错位经验重放。提出用「未来任务的评估结果」作为已存记忆的质量信号。与 GAM 互补：GAM 管「何时写」，这篇管「写进去的东西质量如何被事后判定」。
ACL Anthology

H-MEM: Hierarchical Memory for High-Efficiency Long-Term Reasoning in LLM Agents — EACL 2026, Long

按语义抽象度分层组织记忆，每个记忆向量内嵌位置索引编码指向下层子记忆，实现逐层检索而无需穷举相似度计算；在 LoCoMo 五类任务上超过五个基线。与 GAM 的分层动机相近但手段正交（索引编码 vs. 语义边界触发），值得做组合实验。
ACL Anthology

Preference-Aware Memory Update for Long-Term LLM Agents (PAMU) — ACL 2026 Findings

用滑动窗口均值 + 指数移动平均融合，动态刻画用户偏好的即时波动与长期趋势，在 LoCoMo 五类场景上对五个基线均有提升。它填的是 GAM 不处理的一块：记忆内容随用户偏好演化，而非随叙事结构演化。
ACL Anthology