LLM 代理需要能够从不断增长的交互历史中恢复精确且相互一致证据的长时记忆，尤其是答案依赖事实之间关系而非单独的语义匹配时。现有记忆流水线在两个环节仍然脆弱：索引阶段的错误会把同一实体碎片化或把不同实体合并；在线检索往往把初始相似度分数视为最终结果，即使图结构提供了修正依据。\
ActionRAG 提出了一种图记忆架构，将审慎的索引与查询时的图后评估相耦合。索引管线首先统一类型标签，并采用分层实体解析（tiered entity resolution）消除冲突。查询时，双通道检索同时返回实体和三元组，形成初始证据集合并诱导出一个有界局部图。随后，基于查询的接收者归一化扩散（receiver‑normalized diffusion）利用局部路径结构对三元组得分进行细化。为防止重要证据被稀释，系统引入种子保护、枢纽惩罚流量以及三元组实体化等机制，既保留直接证据，又恢复遗漏的关联。\
在 MemoryAgentBench（MAB）上进行评估，MAB 包含检索准确性、冲突消解、长程理解和测试时学习四大维度的八个确定性评分列。ActionRAG 在所有列上平均准确率达 55.1%，比最强的基于检索的记忆基线提升 5.4 分。按照 MAB 的查询时成本计量，四个成本列的平均合成成本均低于 $0.001，检索端的 p99 延迟累计为 440.7 ms（在消费级 Apple Silicon 设备上）。\
点评：ActionRAG 在长时记忆检索、冲突消解和成本控制方面表现突出，提供了可在实际 LLM 代理中直接部署的高效记忆方案。