EvoGraph-Mem 是一个面向长期语言代理的故障感知可编辑图存储框架。传统的记忆增强代理主要关注存储和检索过去的经验，但存储的记忆质量可能会随时间恶化。尤其是，之前提炼的洞察可能会在新的任务背景下变得过时、过度概括或有害，从而导致记忆污染。 为了解决这个问题，我们研究了洞察级别的记忆维护，并提出了一个基于可编辑洞察图的故障感知记忆维护框架。每个洞察节点跟踪正面证据、负面证据和激活状态，使代理能够区分可重用的洞察和冲突或无效的洞察。我们进一步引入了一个实用感知检索机制和图控制器，更新记忆图以保持可靠的洞察、存档无效的洞察、修订过时的洞察和添加新发现的可重用的洞察。 大量实验表明，我们的方法在不同骨干模型上始终优于基于记忆的代理基线。消融研究进一步证明，仅追加记忆不足以处理长时间范围的任务，而证据感知检索和图级编辑可以提高记忆可靠性和下游任务性能。 博主点评： EvoGraph-Mem 框架通过引入故障感知和可编辑图存储，显著提高了长期语言代理的记忆质量和任务性能。这种方法对于处理长时间范围的任务和避免记忆污染具有重要意义。