来自中国科学院与 EverMind AI 的研究团队在 ACL 2026 发表论文 HyperMem，提出一种基于**超图（Hypergraph）**的层级记忆架构，解决长期对话中 Agent 记忆碎片化的核心问题。

核心问题：成对关系的局限

现有 RAG 和图记忆方法依赖成对关系（pairwise relations）——边只能连接两个节点。这导致无法捕捉高阶关联（high-order associations）：多个元素之间的联合依赖。

典型表现：

  • 一用户在三个月内断断续续讨论某个项目，中间穿插其他话题
  • 传统方法只能找到语义相似片段，无法建模「这四个片段其实都属于同一个隐含主题」
  • 检索结果碎片化，跨越时间的推理几乎不可能

HyperMem 三层架构

HyperMem 用**超边（hyperedge）**替代普通边——一条超边可以连接任意数量节点，由此显式建模高阶关联。

三层记忆结构：

1. Topic 层（主题）

跨长时间跨度、共享同一主题的对话片段聚合

Topic 节点作为语义锚点，让跨越数周乃至数月的相关讨论可以被一次检索命中，而不受时间碎片化影响。

2. Episode 层（片段）

时间上连续、描述一个连贯事件或子对话的对话段

保留事件的时序边界和完整性，同时将无关内容隔离在外。

3. Fact 层（事实）

从片段中提取的原子断言，作为精确检索的目标单元

每个 Fact 由自然语言表达（potential Fact）和关键词索引（keywords Fact）组成，支持语义检索和关键词精确匹配。

超边的连接方式：

  • ℰᴱ（Episode hyperedges）：将属于同一 Topic 的所有 Episode 节点连接起来，权重反映每个 Episode 对主题的叙事贡献度
  • ℰᶠ（Fact hyperedges）：将属于同一 Episode 的所有 Fact 节点连接起来

索引与检索

离线索引：混合词义-语义索引 + 超图 embedding 传播

每个节点同时建立两套索引：

  • BM25 稀疏索引：精确关键词匹配
  • Dense 向量索引：基于 Qwen3-Embedding-4B 的语义相似度

超图 embedding 传播是关键创新：

同一条超边连接的节点共享主题上下文，应该获得相似的 embedding 表示。通过聚合超边内所有节点的 embedding 来更新每个节点的表示：

h_e = Σ(α_e,v · h_v) # 超边 embedding = 加权节点聚合 h'_v = h_v + λ · Agg(h_e) # 节点 embedding + 超边信息

这种轻量级传播机制无需大规模微调，却能让语义相关的记忆即使在时间上相隔甚远，也能获得对齐的 embedding，从而支撑高阶关联的检索。

在线检索：粗到细（Coarse-to-Fine）三阶段

给定用户 query，检索沿 Topic → Episode → Fact 三层逐步收窄：

  1. Stage 1 - Topic Retrieval：用 RRF（Reciprocal Rank Fusion）融合 BM25 和向量索引排名，经 reranker 精排后取 top-k Topics
  2. Stage 2 - Episode Retrieval：每个命中 Topic 沿 Episode hyperedge 扩展到其包含的 Episodes，同样 RRF + reranker，取 top-k Episodes
  3. Stage 3 - Fact Retrieval：每个命中 Episode 沿 Fact hyperedge 扩展，取 top-k Facts 作为最终检索结果

这种逐层收窄的策略在保证召回的同时实现高效剪枝——最终输入 LLM 的上下文 token 量远小于穷举检索。

实验结果

在 LoCoMo 基准（多会话跨月对话 + 四类问题）上对比 12 个方法：

方法Single-hopMulti-hopTemporalOpen DomainOverall
GraphRAG79.5554.9650.1658.3367.60
LightRAG86.6884.0460.7571.8879.87
HippoRAG 286.4475.8978.5066.6781.62
HyperGraphRAG90.6180.8585.3670.8386.49
HyperMem96.0893.6289.7270.8392.73

全面超越现有方法，尤其在 Multi-hop（+9.58%） 和 Single-hop（+5.47%） 上优势显著。

消融实验关键发现：

  • Episode Context 贡献最大（去掉下降 3.76%），说明片段级上下文对推理至关重要
  • Topic 层检索贡献 +0.72%，Topic 作为语义锚点的价值得到验证
  • 纯 Fact 检索始终比「Fact + Episode」低 3-4%，进一步印证层级结构的必要性

工程细节

  • Embedding：Qwen3-Embedding-4B
  • Reranker：Qwen3-Reranker-4B
  • 生成模型：GPT-4.1-mini with CoT prompting
  • 评估模型：GPT-4o-mini as judge
  • 检索参数：λ=0.5，top-10 Topics / top-10 Episodes / top-30 Facts
  • 开源状态：GitHub 即将发布