arXiv cs.AI· Yaoqi Chen, Haibin Lai, Yuru Feng, Chuyu Han, Qianxi Zhang, Baotong Lu, Menghao Li, Xinjiang Wang, Zewen Jin, Hao Wu, Cheng Li, Qi Chen·· 11 小时前AI 评分42
MAGE：面向长程智能体的执行状态记忆管理框架
Beyond Semantic Organization: Memory as Execution State Management for Long-Horizon Agents
AI 导读
研究者提出 MAGE（Memory as Agent-Guided Exploration），一种将智能体记忆作为执行状态管理的主动式管理器，用分层状态树存储交互，通过 Grow、Compress、Maintain、Revise 四项操作维护。
正文 · AI 翻译
作者：Yaoqi Chen、Haibin Lai、Yuru Feng、Chuyu Han、Qianxi Zhang、Baotong Lu、Menghao Li、Xinjiang Wang、Zewen Jin、Hao Wu、Cheng Li、Qi Chen
摘要：基于 LLM 的智能体越来越多地处理具有相互依赖决策的长时程任务，其中每个动作都会重塑未来的约束，中间错误可能级联放大。现有的 RAG 和智能体记忆系统按语义相似度组织历史，在决策时检索内容相关的条目。我们认为这种设计与执行状态依赖不匹配：它割裂了决策轨迹，并混合了有效与错误的轨迹，阻碍了连贯的状态重建和错误隔离。我们提出 MAGE（Memory as Agent-Guided Exploration），一种主动式执行状态管理器，将交互存储在分层状态树中。智能体从活跃的根到当前路径推导其状态，结合子目标摘要、近期轨迹和先前分支的提示。四种耦合操作维护该树：Grow 记录新轨迹，Compress 汇总已完成的子目标，Maintain 验证摘要，Revise 恢复目标边界并在新分支上继续。该设计在保持状态完整性的同时限制上下文增长，并将有缺陷的片段从活跃路径中隔离。在 MemoryArena 上的实验表明，MAGE 相比基线将平均任务成功率提高 7.8--20.4 个百分点，同时将 token 消耗降低 55.1%。代码见：此 https URL。
| 评论： | EMNLP 2026 主会 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2606.06090 [cs.AI] |
| （或 arXiv:2606.06090v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.06090 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yaoqi Chen [查看邮箱]
[v1]
2026年6月4日 星期四 12:26:42 UTC（594 KB）
[v2]
2026年10月15日 星期四 13:40:27 UTC（441 KB）
来源：arXiv cs.AI · arxiv.org