MemAdapter：通过生成子图检索实现Agent记忆范式间的快速对齐

记忆机制是基于LLM的智能体系统中的核心组件，能够支持长时序上下文下的推理和知识发现。现有的智能体记忆系统通常在孤立的范式（如显式、参数化或潜在记忆）中设计，并采用紧密耦合的检索方法，这限制了跨范式的泛化与融合能力。本文首次尝试在单一记忆系统中统一异构的记忆范式，提出MemAdapter这一记忆检索框架，实现不同记忆范式之间的快速对齐。该框架采用两阶段训练策略：首先从统一的记忆空间中训练一个生成子图检索器，其次通过对比学习训练一个轻量级对齐模块，以适应未见过的记忆范式。实验表明，该方法在三个公开基准测试中显著优于五种强大的记忆系统，并且能够在单块GPU上以不到5%的训练计算量完成跨范式对齐，同时实现了零样本跨范式融合，展示了其作为智能体记忆系统的即插即用解决方案的潜力。