Naukowcy opublikowali pracę wprowadzającą Profile-Graph Memory - nową metodę pamięci dla agentów LLM, która radzi sobie z pytaniami wymagającymi powiązania informacji z wielu encji. Zespół stworzył także MemHop, benchmark zawierający 1000 pytań organizowanych w 10 scenariuszach sieci społecznej, z głębokościami od 1 do 5 skoków logicznych. Każde pytanie zostało opatrzone adnotacjami pokazującymi ścieżkę dochodów do odpowiedzi.
ProGraph łączy dwa kluczowe mechanizmy. Po pierwsze, profile expansion - naturalne przechodzenie przez nazwy encji pojawiające się w opisach profili napisanych przez sam LLM, zamiast budowania jawnego knowledge graphu. Po drugie, compression residuals - przechowywanie dokładnych dat, ilości i nazwanych przedmiotów ekstrahowanych podczas każdej aktualizacji profilu bez dodatkowych kosztów API. Ta dwuwarstwowa architektura pokazuje specjalizację: profile expansion napędza wieloskokowe rozumowanie (spadek o 22,6 punktu procentowego bez niego), podczas gdy compression residuals zwiększa precyzję i recall (spadek o 8,6pp na benchmarku LoCoMo).
Wyniki pokazują praktyczną skuteczność podejścia. ProGraph osiąga 80,1% dokładności na MemHop (zbliżone do referencyjnego pełnego kontekstu) i 78,4% na LoCoMo (o 11,3 punktu procentowego wyżej niż pełny kontekst). Przewyższa konkurencyjne rozwiązania takie jak Mem0, A-Mem, HippoRAG i tradycyjne RAG na obu benchmarkach. Autorzy udostępnili MemHop, implementację ProGraph i baseline'ów, otwierając drogę dla dalszych badań nad długoterminową pamięcią agentów AI.