EvolveMem：通过 LLM 代理的自动研究实现自我进化内存架构

arXiv:2605.13941v1 公告类型：新 摘要：长期记忆对于跨多个会话运行的 LLM 代理至关重要，但现有的记忆系统将检索基础设施视为固定的：存储的内容不断变化，而评分功能、融合策略和答案生成策略在部署时仍然冻结。我们认为，真正的自适应记忆需要在两个层面上共同进化：存储的知识和查询知识的检索机制。我们推出了 EvolveMem，这是一种自我进化的内存架构，它将其完整的检索配置公开为由 LLM 支持的诊断模块优化的结构化操作空间。在每一轮演进中，模块都会读取每个问题的失败日志，识别根本原因，并提出有针对性的配置调整建议；受保护的元分析器通过自动回归回归和探索停滞保障措施来应用它们。这种闭环的自我进化实现了自动研究过程：系统在自己的架构上自主地进行迭代研究周期，取代了手动配置调整。从最小基线开始，该过程自动收敛，发现有效的检索策略，包括原始动作空间中不存在的全新配置维度。在 LoCoMo 上，EvolveMem 的性能比最强基线高出 25.7%，相对于最小基线提高了 78.0%。在 MemBench 上，EvolveMem 相对超过最强基线 18.9%。进化的配置以积极的而不是灾难性的转移跨基准转移，这表明自我进化过程捕获了通用检索原则，而不是特定于基准的启发法。代码可在 https://github.com/aiming-lab/SimpleMem 获取。