接着 NapMem 读的 FluxMem,切入角度不同:它关心的不是怎么”用”记忆,而是记忆本身应该如何组织和演化。

静态记忆库的问题

向量库式的记忆一旦写入就基本不动了,后续的”更新”只是不断往里塞新条目。这带来两个麻烦:

  1. 旧记忆过时后不会被修正,检索时会带回错误信息;
  2. 记忆之间的关联靠相似度隐式维持,无法表达”这条推翻了那条”这类关系。

图结构的记忆

FluxMem 把记忆组织成一张图:

  • 节点:一条条具体的记忆(事件、事实、偏好);
  • 边:记忆之间的关系,支持、矛盾、细化、时序先后等;
  • 改写机制:新记忆进来时,会主动改写相关旧节点的内容和连边,而不是简单追加。

记忆不是仓库,而是一个不断被重新编辑的知识图谱。

关键机制

写入时的冲突检测

新记忆写入前,先检索语义相关的旧记忆,用小模型判断关系类型。如果判定为”矛盾”,旧节点会被标记为已过时,并连一条”被修正”的边——历史不会丢失,但检索时默认只走最新版本。

读取时的子图抽取

检索不是返回孤立条目,而是抽取一个连通子图:中心节点 + 它的支持/细化关系。这样上下文里自带”记忆的上下文”,模型不需要再猜条目之间的关联。

和 NapMem 的对比

维度NapMemFluxMem
关注点记忆的使用策略记忆的组织结构
核心工具强化学习图改写
记忆形态可导航的动作空间持续演化的图

两篇其实是互补的:一个回答”怎么找”,一个回答”存成什么样”。我自己的判断是,结构先于策略——如果记忆本身组织得不好,再好的导航策略也救不回来。