面向 AI 普能体的图结构原生认知记忆：基于版本化记忆架构的形式信念修订语义

尽管先前系统中存在用于 AI 普能体记忆的各个组件，但其架构整合与形式化 grounding 仍未得到充分探索。我们提出了 Kumiho，这是一个基于形式信念修订语义的图结构原生认知记忆架构。认知记忆所需的结构原语——不可变修订、可变标签指针、类型依赖边、基于 URI 的寻址方式——与用于管理代理生成的工作作为可版本化资产所需的原语完全相同，这使我们能够构建一个 serving两项目的的统一图结构原生架构。中心的形式贡献在于建立了 AGM 信念修订框架与属性图记忆系统操作语义之间的对应关系，证明了满足基本 AGM 后设（K*2--K*6）以及 Hansson 信念库后设（相关性、核心保留）的条件。该架构实现了双存储模型（Redis 工作记忆、Neo4j 长期图），采用混合全文检索和向量检索。在 LoCoMo（token-level F1）上，Kumiho 实现了 0.565 的总体 F1（n=1,986），包括 97.5% 的对抗性拒绝准确率。在 LoCoMo-Plus 上，一个测试隐式约束记忆的 Level-2 认知记忆基准，Kumiho 实现了 93.3% 的判官准确率（n=401）；基准作者的独立复现结果在中 80% 范围内，仍显著优于所有已发布的基线（最佳：Gemini 2.5 Pro，45.7%）。三项架构创新驱动了这些结果：前瞻索引（LLM 生成的未来情景影响在写入时进行索引）、事件抽取（结构化因果事件保留在摘要中）、以及客户端 LLM 重排序。该架构具有模型解耦特性：将答案模型从 GPT-4o-mini（~88%）切换到 GPT-4o（93.3%）可在不修改管道的情况下提升端到端准确率，401 项评估总成本约为 14 美元。