MemState：动态记忆状态图构建与智能体式状态图检索

基于摘要分析。MemState 面向智能体长期记忆中的多跳回溯推理与复杂状态查询，针对仅保留最新值会丢失历史演化证据的问题，以动态状态图替代记忆覆盖和删除，并通过主动检索追踪事件的历史、变化与最终状态。 框架包含 Dynamic Memory State Graph Construction（DMSG）和 Agentic State Graph Retrieval（ASGR）。DMSG 保留同一事项的连续状态，利用不同语义强度的关系组织演化图，使历史状态、直接状态转移及相关上下文共同存在。ASGR 将已检索记忆视为底层状态图的部分观测，通过多轮工具调用主动追踪历史路径、后续变化和最新状态，将静态相似度检索转为由状态演化引导的检索过程。摘要未说明关系类型的具体定义、图构建规则、训练需求及检索终止条件。 作者报告，在 RHELM、LoCoMo 和 LongMemEval 等长期记忆基准上，与向量检索、记忆压缩及基于更新的记忆管理方法比较，MemState 在受限检索预算下更可靠地将关键状态转移和实际结果的证据纳入上下文。摘要未提供具体分数、预算口径、数据划分或统计信息，因此不能量化提升，也不能判断多轮工具调用与图存储带来的成本。实验协议、消融及统计信息尚未验证。 该研究的主要对象是智能体长期记忆管理，并非神经信号状态空间建模或 EEG 解码。材料没有提供明确的 EEG/BCI 机制对应或验证，不能据此推断其对相关任务有效；已有 EEG 相关工作尚未检索确认。复现需进一步核对图构建实现、工具接口、基础智能体配置，以及各基线的检索预算是否采用可比口径。