RSMeM：面向遥感智能体的知识增强记忆演化与系统性评估

# RSMeM：面向遥感智能体的知识增强记忆进化与系统评估
来源：https://arxiv.org/abs/2607.24772
作者：Bingxian Wu (https://arxiv.org/search/cs?searchtype=author&query=Wu,+B),Yu Zhang (https://arxiv.org/search/cs?searchtype=author&query=Zhang,+Y),Zonghao Guo (https://arxiv.org/search/cs?searchtype=author&query=Guo,+Z),Tang Liu (https://arxiv.org/search/cs?searchtype=author&query=Liu,+T),Chen Qian (https://arxiv.org/search/cs?searchtype=author&query=Qian,+C),Yuxiang Lu (https://arxiv.org/search/cs?searchtype=author&query=Lu,+Y),Xingbo Du (https://arxiv.org/search/cs?searchtype=author&query=Du,+X),Yanghao Li (https://arxiv.org/search/cs?searchtype=author&query=Li,+Y),Yidan Zhang (https://arxiv.org/search/cs?searchtype=author&query=Zhang,+Y),Chi Chen (https://arxiv.org/search/cs?searchtype=author&query=Chen,+C),Ling Yao (https://arxiv.org/search/cs?searchtype=author&query=Yao,+L),Maosong Sun (https://arxiv.org/search/cs?searchtype=author&query=Sun,+M)

查看PDF (https://arxiv.org/pdf/2607.24772)

> **摘要：** 地球科学研究需要复杂的分析与领域专业知识，其中遥感（RS）观测是关键基础。然而，现有基于通用LLM构建的RS智能体在很大程度上仍是领域无关的，导致工作流程脆弱且易出错。此外，这些失败很少被整合为可复用的经验以支持后续分析。为解决这一问题，我们提出RSMeM，一种知识增强的记忆进化机制，该机制利用预蒸馏的领域知识引导RS智能体，并通过迭代整合在线经验以实现稳健的多步骤工具执行。RSMeM由两个组件构成：(i) 层次化知识接地（Hierarchical Knowledge Grounding），即在层次化领域语料库上执行基于类别感知的检索，以指导规划和工具选择；(ii) 失败感知的经验精炼（Failure-Aware Experience Refinement），即将带有失败标注的工具使用轨迹蒸馏为可复用的约束，用于下一轮工具执行。通过迭代运用这两个过程，RS智能体能够逐步吸收任务级领域知识，并将其有效转化为实例级执行经验。在EarthBench上的大量实验表明，RSMeM在多种LLM骨干网络上持续提升了工具使用性能和端到端答案质量。值得注意的是，在DeepSeek-V3.2上，RSMeM仅以不到1%的额外经验令牌实现了6%的准确率提升，展示了所蒸馏经验的高知识密度。我们的代码可在以下网址获取：https://github.com/AI9Stars/RSMeM

## 提交历史

来自：Bingxian Wu [查看电子邮件 (https://arxiv.org/show-email/d10012e7/2607.24772)] **\[v1\]** 2026年6月11日星期四 04:23:18 UTC (1,473 KB)