多模态Agent（智能体）的长期记忆，一直是制约其复杂任务表现的瓶颈。传统方案依赖相似度排序，简单粗暴却常常“捡了芝麻丢西瓜”。北大与MemoraX联合提出的GraphMemix，试图用一套全新的组合优化框架，把这个问题彻底重做。

从“相似度排序”到“证据森林”

打开网易新闻 查看精彩图片

GraphMemix的核心转变，是把记忆选择从“找最像的”升级为“找最对的”。它不再孤立地看待每一条记忆，而是将查询相关的记忆片段组织成一颗“证据森林”，把整个检索过程建模为一个查询感知的组合优化问题。这意味着，系统会综合评估多条证据之间的关联性与互补性，而非单点匹配。

复杂证据恢复的精度与效率提升

这种结构性重构带来的直接收益，体现在复杂证据恢复的准确率和效率上。当Agent需要跨多个信息片段进行推理时，GraphMemix能够更精准地锁定关键证据链，同时减少无效检索带来的计算开销。研究团队表示，该方法在相关基准上的表现显著优于传统基线。

短期判断：方向对了，但落地仍需验证

从技术路径看，将记忆选择问题转化为组合优化，逻辑自洽且具备理论深度。不过，目前公开信息尚未披露具体数据集规模与对比基线细节，实际增益幅度有待进一步验证。对于多模态Agent的工程实践而言，这套框架的推理延迟是否能控制在可接受范围，是后续值得关注的关键点。