Episodic Memory Inference Scaling Action-Centric Graph Agent Efficiency
摘要

针对现有推理时扩展方法在 Agent 应用中存在的无状态及冗余搜索低效问题,本文提出 GAMER 框架。该框架将历史推理建模为动态的“以动作为中心的图”,实现了推理扩展与情景记忆的融合。通过解耦记忆机制与大语言模型,显著降低了计算成本。此外,利用双流时序差分学习机制评估动作节点的正负价值,在推理阶段双向优化决策:正向价值提供建议,负向价值警示高风险动作。实验表明,该方法在成功率和进度率上均显著优于基准模型。

AI 推荐理由

论文提出基于动作中心的图记忆架构,核心解决 Agent 无状态及记忆效率问题。

研究机构
Florida International University, Miami, FL, USA Stanford University, Stanford, CA, USA NEC Laboratories America, Princeton, NJ, USA Singapore Management University, Singapore
论文信息
作者 Xu Zheng, Chaohao Lin, Zhuomin Chen, Weijieying Ren, Haifeng Chen et al.
发布日期 2026-07-29
arXiv ID 2607.27415
相关性评分 9/10 (高度相关)