arXiv cs.AI· Miao Su, Yucan Guo, Zixuan Li, Long Bai, Zhongni Hou, Xiaolong Jin, Jiafeng Guo·· 2 天前AI 评分39
MemScope：通过局部代码修复演化智能体记忆架构
MemScope: Evolving Agent Memory Architectures through Localized Code Repair
AI 导读
MemScope 是一个基于执行证据对现有智能体记忆架构进行局部演化的框架，其 Patch Agent 联合检查原始执行轨迹、运行时记忆状态与当前架构代码，在 provider 身份和记忆兼容性约束下定位修复目标并做有界原地修改。
正文 · AI 翻译
摘要：Agent 记忆架构定义了 LLM 智能体如何在任务间存储和复用经验，但它们通常在部署后即固定下来，限制了其跨任务类型的适应性。近期的自进化方法则利用执行反馈来调整这些记忆架构，反馈通常表示为评估分数或压缩摘要。然而，在当前智能体系统中，此类粗粒度反馈不足以精确定位故障，因为长时程任务执行涉及多个相互作用的组件。没有精确的故障位置，现有方法就缺乏明确的代码级修改目标，使更新范围约束薄弱，往往导致对原本可用的记忆架构进行大规模重写。我们提出 MemScope，一个基于证据、局部化演进现有记忆架构的框架。其使用工具的 Patch Agent 联合检查原始执行轨迹、运行时记忆状态和当前架构代码，以识别修复目标，并在提供者身份和记忆兼容性约束下应用有界的原地编辑。在 GAIA 上，轨迹与记忆检查变体达到 86.67% 的准确率，而仅轨迹反馈为 70.00%，仅摘要反馈为 63.33%。在 xBench 任务上，进化后的记忆架构相比原始版本，使用 DeepSeek V3.2 时正确回答数从 49 提升至 55，使用 Kimi K2.7 Code 时从 50 提升至 53。在不相交的 ALFWorld 未见任务上，成功率从 50.75% 提升至 71.64%。在归档的架构快照转换中，代码变更比例中位数为 4.4%。这些结果支持将细粒度执行证据作为局部化、原地记忆架构演进的基础。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.21170 [cs.AI] |
| （或 arXiv:2610.21170v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21170 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Miao Su [查看邮箱]
[v1]
2026年10月15日星期四 03:27:34 UTC（1,123 KB）
来源：arXiv cs.AI · arxiv.org