Стандартные LLM-агенты используют статичную память с жесткими пайплайнами поиска. В динамических средах такой подход быстро ломается. Фреймворк FluxMem решает проблему иначе. Он моделирует память как гетерогенный граф с непрерывно эволюционирующей топологией.

Система обрабатывает информацию в три этапа. Сначала формируются базовые связи. Затем они корректируются на основе обратной связи. Финальный шаг — долгосрочная консолидация. Алгоритм на лету восстанавливает пропущенные узлы графа и отсекает шумовые интерференции. Успешные траектории агента сжимаются в готовые процедурные контуры для быстрого повторного использования.

Архитектуру протестировали на сложных агентных бенчмарках LoCoMo, Mind2Web и GAIA. Динамическая перестройка графа дает стабильный прирост метрик в задачах с меняющимся контекстом. Исходный код реализации доступен в репозитории LightMem.