arXiv cs.AI· Yunhui Jang, Zach Wang, Jai Doshi, Kangway Chuang, Sidney Lisanza, Taylor Joren·· 1 天前AI 评分26
MEMIG：面向抗体优化的自进化记忆构建框架
MEMIG: Self-evolving Memory Construction for Antibody Optimization
AI 导读
MEMIG 提出一种面向生物分子优化的智能体记忆构建框架，将经验表示为可索引、定量、结构化的形式，而非自由文本重写。该框架为每条洞见分配领域标识符并累积性质 oracle 测得的定量效应，使更新局部化、检索变为精确查找，同时连接联合施加的干预并分解评估集以度量其上位效应。在计算机抗体优化任务中，MEMIG 在多数设置下提升了性能。
正文 · AI 翻译
摘要：记忆已成为自我进化 LLM 智能体的核心，它们从过去的 rollout 中存储和检索经验，以指导未来的决策。现有系统将这种经验表示为自由形式的自然语言，并通过重写来维护，这适合经验可叙述的任务。然而，在科学发现和优化中，经验往往是在特定上下文中由 oracle 测量的量。将其重写为文本会失去记录应位于何处的索引，用描述替代测量，并且无法表达干预措施如何相互作用。为解决这一问题，我们认为用于生物分子优化的智能体记忆应当是可索引、定量且结构化的，并提出了 MEMIG。这一记忆构建框架实现了这三个特性。具体而言，MEMIG 用领域基础的标识符处理每条洞见，并累积由属性 oracle 测量的定量效应，从而使更新保持局部化，检索成为精确查找。接下来，MEMIG 连接干预措施被一起应用的洞见，并通过分解每个评估集来测量其上位效应。我们的结果表明，在计算机模拟抗体优化任务中，MEMIG 在大多数设置下提升了性能。
| 评论： | 10 页 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.41245 [cs.AI] |
| （或 arXiv:2610.41245v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41245 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yunhui Jang [查看电子邮件]
[v1]
2026 年 10 月 30 日星期五 04:39:18 UTC（505 KB）
来源：arXiv cs.AI · arxiv.org