arXiv 2026年10月5日该工作提出上下文优化的统一表述，将智能体记忆系统更新解释为对模型上下文的优化更新过程，并据此设计轻量图结构记忆 GraphMemory：它累积、精炼、组织并连接可复用策略，每次查询只检索相关子图，在有界检索下检索到的记忆量随处理样本数增长保持恒定，实验显示其下游性能具有竞争力，同时比基线少用约 81-85% 的记忆构建 token。该工作提出上下文优化的统一表述，将智能体记忆系统更新解释为对模型上下文的优化更新过程，并据此设计轻量图结构记忆 GraphMemory：它累积、精炼、组织并连接可复用策略，每次查询只检索相关子图，在有界检索下检索到的记忆量随处理样本数增长保持恒定，实验显示其下游性能具有竞争力，同时比基线少用约 81-85% 的记忆构建 token。GraphMemory 用图结构记忆替代上下文堆叠，在保持下游性能的同时减少约 81-85% 的记忆构建 token该工作提出上下文优化的统一表述，将智能体记忆系统更新解释为对模型上下文的优化更新过程，并据此设计轻量图结构记忆 GraphMemory：它累积、精炼、组织并连接可复用策略，每次查询只检索相关子图，在有界检索下检索到的记忆量随处理样本数增长保持恒定，实验显示其下游性能具有竞争力，同时比基线少用约 81-85% 的记忆构建 token。该工作提出上下文优化的统一表述，将智能体记忆系统更新解释为对模型上下文的优化更新过程，并据此设计轻量图结构记忆 GraphMemory：它累积、精炼、组织并连接可复用策略，每次查询只检索相关子图，在有界检索下检索到的记忆量随处理样本数增长保持恒定，实验显示其下游性能具有竞争力，同时比基线少用约 81-85% 的记忆构建 token。