论文页面 - 即时记忆：为大语言模型智能体学习构建任务自适应记忆系统

来源：https://huggingface.co/papers/2609.27334

摘要

智能体记忆系统通过复用过往经验来提升未来表现，但现有大多数设计是在写入时策划记忆：任务完成后，其轨迹被提炼成固定制品（如反思、工作流、技能或推理策略），后续通过相似性检索。这迫使系统在未来查询未知前就必须决定什么值得记忆，导致信息不可逆地丢失，并生成独立于查询的摘要以服务众多下游任务。学习此类写入时策展器也颇具挑战，因为存储决策的价值往往在相关查询到来时（可能相隔多个任务后）才显现，形成了长期的信用分配问题。

我们转而保留原始轨迹，将策展延迟到读取时进行，此时当前任务已知。根据检索到的轨迹和新任务，记忆策展器会合成一个紧凑、任务自适应的负载，精准满足即时需求。由于该负载用于当前任务，策展器可直接根据即时任务成功与否进行训练，避免了延迟的效用信号以及人为分组相关任务的需要。

在ALFWorld、WebShop和τ²-bench基准测试中，我们的即时记忆（JitMem）系统始终优于无记忆智能体以及启发式和基于学习的写入时记忆方法，分别在最强基线基础上实现了16.2、16.3和3.9个百分点的绝对成功率提升。值得注意的是，即使未经训练的策展器已与基线相当或超越它们，表明任务自适应的读取时策展本身就是性能提升的主要来源；对策展器进行训练则能进一步强化改进效果。

查看arXiv页面 (https://arxiv.org/abs/2609.27334) 查看PDF (https://arxiv.org/pdf/2609.27334) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.27334)

通过智能体获取此论文：

hf papers read 2609.27334

没有最新版CLI？请运行：curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型

0

无模型链接此论文

在模型README.md中引用 arxiv.org/abs/2609.27334 以从本页面链接。

引用此论文的数据集

0

无数据集链接此论文

在数据集README.md中引用 arxiv.org/abs/2609.27334 以从本页面链接。

引用此论文的Space

0

无Space链接此论文

在Space的README.md中引用 arxiv.org/abs/2609.27334 以从本页面链接。

包含此论文的收藏

0

无收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从本页面链接。