本研究提出了一种新的基于提示的持续图学习框架（PROMPTCGL），旨在解决持续图学习中的知识遗忘问题。该框架通过分层提示和个性化提示生成器，能够高效处理图形数据，提高性能并降低内存消耗。

本研究提出了持续图学习框架PSCGL，解决了传统图神经网络在动态环境中的灾难性遗忘问题，尤其在生物数据集上表现出色。实验结果表明，PSCGL提升了模型的存储效率和鲁棒性。

本文综述持续图学习，即从无限图数据流中学习并整合历史知识。文章介绍其概念与挑战，梳理最新方法，包括关系感知自适应模型、结构学习与参数学习结合、图对比学习框架，并讨论现有方法的局限、未来方向与应用前景。