arXiv cs.CL· Dongfang Li, Zhuoen Chen, Bonian Jia, Zixuan Liu, Zhengxuan Lu, Can Deng, Yukun Shi, Yuhang Meng, Xin Zhang, Jiahe Huang, Fuhao Li, Junmai Wang, Shunyao Wen, Jingjun Sun, Jiaxu Tian, Jiangling Zhang, Zihan Wang, Liangyou Li, Yitong Yao, Shuangyong Song, Beilun Wang, Pengxu Wei, Hanlin Xu, Chang Liu, Yongxiang Li, Baotian Hu, Xiangyang Ji, Min Zhang·· 12 小时前AI 评分36
以记忆为中心的持续学习（MCCL）：让 AI 智能体从被动检索走向持续学习
Memory-Centric Continual Learning for AI Agents
AI 导读
研究者提出 Memory-Centric Continual Learning（MCCL），主张记忆应以是否改善未来行动而非检索准确率来评判。MCCL 包含三轴记忆分类法（存储载体、资产形式、管理策略）与内外双环生命周期，并配套干扰下保持、变化适应、任务迁移的评测协议及记忆扩展框架。
正文 · AI 翻译
作者：Dongfang Li、Zhuoen Chen、Bonian Jia、Zixuan Liu、Zhengxuan Lu、Can Deng、Yukun Shi、Yuhang Meng、Xin Zhang、Jiahe Huang、Fuhao Li、Junmai Wang、Shunyao Wen、Jingjun Sun、Jiaxu Tian、Jiangling Zhang、Zihan Wang、Liangyou Li、Yitong Yao、Shuangyong Song、Beilun Wang、Pengxu Wei、Hanlin Xu、Chang Liu、Yongxiang Li、Baotian Hu、Xiangyang Ji、Min Zhang
摘要：由基础模型驱动的自主智能体能够推理、规划并使用工具，但其固定的权重和上下文限制阻碍了它们在长期部署中从经验中持续学习。尽管外部记忆系统试图弥合这一差距，但它们大多充当被动的检索缓存，主要依据能否回忆起已存储的事实或过往交互来评估。记忆能否驱动真正的持续学习仍是一个悬而未决的问题。本文提出以记忆为中心的持续学习（MCCL），主张评判记忆应看它是否改善未来的行动，而不仅仅是它检索到了什么。MCCL 包含三个主要部分。第一，一个三轴分类法按状态存储的位置（基底）、所采取的形式（资产）以及管理方式（策略）来组织记忆。这定义了一个双环生命周期：内环更新记忆状态，外环基于任务反馈优化管理策略。第二，一套评估协议衡量干扰下的保持能力、对变化的适应能力以及任务迁移能力，从而将真正的行为增益与简单的上下文扩展区分开来。第三，一个记忆扩展框架对智能体性能如何随经验、存储容量和计算预算（涵盖非参数化记忆与参数化记忆）而变化进行建模。这些组成部分共同将智能体记忆从被动查找重新定义为持续学习，为通向自我改进的自主智能体提供了一条有原则的路径。
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29357 [cs.CL] |
| （或 arXiv:2610.29357v1 [cs.CL] 为本版本） | |
| https://doi.org/10.48550/arXiv.2610.29357 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Dongfang Li [查看邮箱]
[v1]
2026年10月21日星期三 07:49:42 UTC（4,176 KB）
来源：arXiv cs.CL · arxiv.org