当前多智能体系统在协作中普遍面临一个核心瓶颈：记性差，无法从历史交互中汲取教训，导致对话冗长且效率低下。G-Memory框架的出现，正是为了解决这一痛点。它通过构建一个三层分层的记忆图谱，让AI团队不仅能记住结果，更能固化协作过程中的关键经验与智慧，从而实现自我进化，这为多智能体的长期发展提供了全新的解决思路。
智能速览
G-Memory旨在解决多智能体系统“记性差”的核心痛点。
其核心是三层记忆图谱，分别存储智慧、任务和交互信息。
通过图稀疏化技术，只存储关键协作路径，有效节省Token开销。
支持双向检索与角色定制，为不同智能体精准推送所需记忆。
在ALFWorld任务中实测成功率提升20.89%，效果显著。
精华内容
G-Memory究竟是如何通过精巧的架构设计，为AI团队装上一个既能回顾历史又能指导未来的“超级大脑”的呢？其关键在于分层与筛选。
三层图谱架构
G-Memory的核心是一个三层分层的记忆图谱结构，彻底改变了以往一锅粥式的文本存储方式。顶层是Insight Graph（智慧图），专门存储高阶的“避坑指南”和标准操作程序，例如“搜索人名时要注意区分同名同姓”这类经验。
中层是Query Graph（任务图），它像一张索引地图，通过语义相似度和跳数关联不同的任务，方便快速检索。底层是Interaction Graph（交互图），这是设计的一大亮点，它并不存储完整的对话记录，而是采用图稀疏化技术，只提取并保存协作过程中的核心路径和关键步骤，极大地节省了Token消耗。
双向智能检索
当一个新的任务下达后，G-Memory系统会启动一个高效的双向检索机制。向上，它会查询顶层的Insight Graph，为智能体提供宏观的策略性指导，确保团队的大方向正确。
向下，它会检索底层的Interaction Graph，向智能体展示具体任务的成功协作范例，作为实操参考。这种向上看策略、向下看范例的设计，使得智能体既能把握原则，又能借鉴实践，决策更加精准高效。
角色定制赋能
为了避免信息过载，G-Memory支持角色定制功能。系统会根据智能体在团队中扮演的具体角色（如程序员、测试员、产品经理），只向其推送与其职责高度相关的记忆片段。
例如，只给测试员智能体推送与测试流程和常见错误相关的Insight和Interaction记忆。这种精准投喂的方式，确保了每个智能体都能接收到最有效、最相关的信息，提升了整体的协作效率。
实测效果显著
G-Memory的性能提升在具身智能基准测试集ALFWorld上得到了有力验证。实验结果显示，应用了G-Memory框架的AI团队，其任务成功率相比基线模型大幅提升了20.89%，这是一个非常显著的进步。
更重要的是，实现这一飞跃的同时，Token的消耗并没有显著增加，甚至比当前一些主流方案（如MetaGPT）的Token使用量还要低，证明了其在成本和性能上取得了极佳的平衡。
G-Memory的本质，是将人类组织的“复盘文化”与“SOP手册”理念成功地引入了AI领域。它证明了智能体进化的关键不在于全盘记忆，而在于结构化、精炼化的经验沉淀。未来，这样的记忆机制能否让AI团队形成更复杂的“组织文化”甚至“团队默契”，这无疑是值得期待的探索方向。
