论文页面 - EvolveMem：面向LLM智能体的自演化记忆架构

来源：https://huggingface.co/papers/2605.13941

摘要

EvolveMem通过自演化检索机制为LLM智能体实现自适应记忆系统，该机制能够借助诊断模块和迭代研究循环自主优化配置参数。

长期记忆（https://huggingface.co/papers?q=Long-term%20memory）对于跨多个会话运行的LLM智能体（https://huggingface.co/papers?q=LLM%20agents）至关重要，但现有记忆系统将检索基础设施（https://huggingface.co/papers?q=retrieval%20infrastructure）视为固定不变：存储的内容会演化，而评分函数、融合策略和答案生成策略在部署后始终保持冻结。我们提出，真正自适应的记忆需要在两个层面共同演化：存储的知识以及对其进行查询的检索机制。我们提出EvolveMem，一种自演化记忆架构（https://huggingface.co/papers?q=self-evolving%20memory），它将完整的检索配置暴露为一个由LLM驱动的诊断模块（https://huggingface.co/papers?q=LLM-powered%20diagnosis%20module）优化的结构化动作空间（https://huggingface.co/papers?q=structured%20action%20space）。在每个演化轮次中，该模块读取每个问题的失败日志，识别根本原因，并提出针对性的配置调整；一个受保护的元分析器（https://huggingface.co/papers?q=guarded%20meta-analyzer）会应用这些调整，并带有自动回滚（性能下降时）和在停滞时探索的保障机制。这种闭环自演化实现了一个AutoResearch（https://huggingface.co/papers?q=AutoResearch）过程：系统自主对其自身架构进行迭代研究循环（https://huggingface.co/papers?q=iterative%20research%20cycles），取代手动配置调优。从一个最简基线出发，该过程自主收敛，发现有效的检索策略（https://huggingface.co/papers?q=retrieval%20strategies），包括原始动作空间中不存在的全新配置维度。在LoCoMo上，EvolveMem比最强基线相对提升25.7%，比最简基线相对提升78.0%。在MemBench上，EvolveMem比最强基线相对提升18.9%。演化出的配置在跨基准测试中表现出正向迁移而非灾难性迁移，表明自演化过程捕获了普遍的检索原则而非特定于基准测试的启发式方法。代码已在 https://github.com/aiming-lab/SimpleMem 开源。

查看 arXiv 页面（https://arxiv.org/abs/2605.13941）查看 PDF（https://arxiv.org/pdf/2605.13941）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.13941）

在您的智能体中获取这篇论文：

hf papers read 2605.13941

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

引用此论文的模型 0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2605.13941 以从此页面链接。

引用此论文的数据集 0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.13941 以从此页面链接。

引用此论文的 Spaces 0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2605.13941 以从此页面链接。

包含此论文的收藏集 0

没有包含此论文的收藏集

将这篇论文添加到一个收藏集（https://huggingface.co/new-collection）以从此页面链接。