基于图的智能体记忆：分类、技术与应用

记忆是基于大语言模型（LLM）的智能体在处理长期复杂任务（如多轮对话、游戏对战、科学发现）中的核心模块，能够实现知识积累、迭代推理和自我进化。在多种范式中，图结构因其建模关系依赖、组织层次信息和支持高效检索的内在能力而成为智能体记忆的强大工具。本文从图的角度对智能体记忆进行了全面综述。首先，我们介绍了智能体记忆的分类，包括短期与长期记忆、知识与经验记忆、非结构化与结构化记忆，并从实现角度探讨了基于图的记忆。其次，根据智能体记忆的生命周期，系统分析了基于图的智能体记忆的关键技术，涵盖数据内容提取、高效存储、相关内容检索以及记忆内容更新。第三，我们总结了支持自进化智能体记忆开发与评估的开源库和基准测试，并探讨了多样化的应用场景。最后，我们识别了关键挑战和未来研究方向。本综述旨在为更高效、可靠的基于图的智能体记忆系统的发展提供可行见解。所有相关资源，包括研究论文、开源数据和项目，均收集在https://github.com/DEEP-PolyU/Awesome-GraphMemory。