MemAdapter：通过生成子图检索实现Agent记忆范式间的快速对齐

记忆机制是基于LLM的智能体的核心组成部分，能够支持其在长时上下文中的推理和知识发现。现有的智能体记忆系统通常设计在孤立的范式（如显式、参数化或潜在记忆）中，且检索方法耦合紧密，限制了跨范式的泛化与融合。本文首次尝试在一个统一的记忆系统中整合异构记忆范式。我们提出了MemAdapter，一种支持跨记忆范式快速对齐的记忆检索框架。MemAdapter采用两阶段训练策略：首先从统一记忆空间中训练一个生成子图检索器，然后通过对比学习训练一个轻量级对齐模块以适应未见过的记忆范式。该设计显著提升了记忆检索的灵活性，并大幅降低了跨范式对齐的成本。在三个公开评估基准上的全面实验表明，生成子图检索器在三种记忆范式和不同规模的智能体模型上均优于五种强大的记忆系统。值得注意的是，MemAdapter可在单块GPU上在13分钟内完成跨范式对齐，仅需原训练计算量的5%即可超越原始记忆检索器的性能。此外，MemAdapter还实现了跨记忆范式的有效零样本融合，凸显了其作为智能体记忆系统的即插即用解决方案的潜力。