arXiv cs.AI· Yannan Wang, Longli Yang, Zhen Liu, Abhishek Kumar, Carsten Maple·· 3 天前AI 评分29
CoMIC：面向 Web 云边系统长程 LLM 智能体的协同记忆与洞察循环
CoMIC: Collaborative Memory and Insights Circulation for Long-Horizon LLM Agents in Web Cloud-Edge Systems
AI 导读
CoMIC 是一个无需更新参数的云边协同框架，让边缘侧轻量 LLM 智能体通过"边缘执行、云端反思"完成长程任务。云端 LLM 评审器异步评估经 Web 网关上传的轨迹，筛选可复用经验并按语义子目标标识符向所有边缘智能体循环分发跨智能体指导。在五个长程基准上，弱边缘智能体在标准记忆智能体完全失败的任务上取得非零成功率，任务进度优于标准智能体与纯本地执行，同时降低上下文消耗。
正文 · AI 翻译
摘要：基于 LLM 的 Web 智能体正越来越多地部署在边缘服务器上，以低延迟代表用户执行长时程任务。然而，适合边缘服务器的轻量级模型往往难以应对需要持久记忆、子目标跟踪和反思的长时程任务。部署后对边缘模型进行微调成本高昂，且难以在异构节点间扩展，而纯本地执行则将每个智能体局限于其自身孤立的经验中。我们提出 \textsc{CoMIC}，一个无需参数更新的云边框架，用于协作记忆与洞察循环。遵循“边缘行动，云端反思”的范式，边缘智能体在本地执行，具备面向子目标的分层记忆以及对相关历史的选择性重新展开，而云端 LLM 评审器则异步评估通过 Web 网关上传的轨迹，接纳可复用的经验，并将以语义子目标标识符索引的跨智能体指导循环回所有边缘智能体。在五个长时程基准上，\textsc{CoMIC} 使弱边缘智能体在标准基于记忆的智能体完全失败的任务上取得非零成功率，并在任务进展上优于标准智能体和纯本地执行，同时相对于标准智能体降低了上下文消耗，且无需更新模型参数。当更强的异构智能体加入边缘时，弱智能体在成功率、进展和基础定位方面进一步提升，且上下文消耗更低。
| 评论： | 此版本更新了概览和框架图，完善了实验设置，对实验结果进行了更深入的分析，并提升了整体可读性 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2606.00756 [cs.AI] |
| （或 arXiv:2606.00756v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2606.00756 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yannan Wang [查看电子邮件]
[v1]
2026年5月30日星期六 14:45:39 UTC（2,014 KB）
[v2]
2026年10月13日星期二 11:48:59 UTC（13,437 KB）
来源：arXiv cs.AI · arxiv.org