通过图形校正构建LLM代理的连贯空间记忆
人工智能
2025-10-07 v1
摘要
给定通过全局遍历导航指令描述的地图（例如依次访问每个房间并带有如北、西等动作信号），LLM通常可以推断环境的隐式空间布局，并通过提供从起点到目的地的最短路径来回答用户查询（例如，从大厅导航到会议室经由走廊和电梯）。然而，随着环境规模的显著增长，这种基于上下文的查询方式变得不可靠，促使需要构建从逐步观察中构建完整拓扑图的增量式地图构建。我们提出了一种框架，用于LLM驱动的地图构建和修复，旨在检测、定位和纠正逐步构建导航图中的结构不一致。我们方法的核心是版本控制，它记录了图形编辑的完整历史及其来源观察，使我们能够进行细粒度的回滚、冲突追踪和修复评估。我们进一步引入边缘影响分数，以基于结构可达性、路径使用和冲突传播优先进行最小成本修复。为正确评估我们的方法，我们通过系统性地移除非拓扑动作和固有结构冲突，创建了MANGO基准数据集的优化版本，为LLM驱动的地图构建和修复提供更干净的测试基准。我们的方法在提高地图正确性和鲁棒性方面取得显著进展，尤其是在包含纠缠或链式不一致的场景中。我们的结果凸显了在维持LLM代理连贯空间记忆方面，内省性的、历史感知的修复机制的重要性。
引用
@article{arxiv.2510.04195,
title = {Constructing coherent spatial memory in LLM agents through graph rectification},
author = {Puzhen Zhang and Xuyang Chen and Yu Feng and Yuhan Jiang and Liqiu Meng},
journal= {arXiv preprint arXiv:2510.04195},
year = {2025}
}