记忆更为关键：以事件为中心的记忆作为智能体搜索与推理的逻辑图谱

大语言模型（LLMs）正越来越多地被部署为能在环境中推理、规划和交互的智能体。为有效应对长周期任务，此类智能体亟需一种能保留、组织并检索过往经验以支持下游决策的记忆机制。然而，现有方法多以扁平方式组织记忆，并依赖简单的相似性检索；即便引入结构化记忆，也难以显式捕捉经验单元间的逻辑关系，且记忆访问仍脱离结构、依赖浅层语义检索，阻碍了长程逻辑推理。本文提出受事件分割理论启发的事件中心记忆框架CompassMem，通过将经验增量划分为事件并以显式逻辑关系连接，构建事件图作为逻辑图谱，使智能体能超越表层检索，进行结构化、目标导向的记忆导航，逐步聚合关键记忆以支持长程推理。在LoCoMo和NarrativeQA上的实验表明，CompassMem在多种主干模型上均显著提升检索与推理性能。