arXiv cs.CL· Mingchen Li, Yongkang Xiao, Rumeng Li, Rui Zhang, Hong Yu·· 10 小时前AI 评分34
BioMem：面向生物医学 LLM 智能体的智能体记忆系统
BioMem: Agentic Memory for Biomedical LLM Agents
AI 导读
研究系统评估了生物医学领域智能体记忆系统，在生物医学知识推理、临床预测和长期对话记忆三类场景下，测试了 5 种记忆方法与 4 个 LLM 的组合表现。基于分析结果提出免训练框架 HMRU，在生物医学问答与对话记忆基准上平均相对提升 8.6%，对话回答错误率降低 24.9%，并将与全上下文推理的性能差距缩小 48.0%。
正文 · AI 翻译
摘要：大语言模型（LLM）在生物医学应用中展现出相当大的潜力，而智能体记忆系统已成为跨任务和交互保存与利用信息的一种有前景的方法。然而，一个根本性问题仍然存在：这些系统在保留、检索、更新和利用生物医学信息方面的有效性和可靠性如何？在本研究中，我们系统地研究了生物医学领域的智能体记忆，重点关注任务有效性、检索质量、信息保真度和长期鲁棒性。我们在三种代表性场景（生物医学知识推理、临床预测和长期对话记忆）中，对四个 LLM 上的五种记忆方法进行了评估。我们的分析揭示了记忆构建、证据相关性和对话历史如何影响下游生物医学性能，并凸显了检索相关信息、保持其保真度以及有效利用其进行推理所面临的不同挑战。基于这些发现，我们提出了混合记忆检索与利用（HMRU），这是一个无需训练的框架，可同时增强证据可访问性和任务感知利用，以改进生物医学推理和长期对话记忆。HMRU 在生物医学问答和对话记忆基准上实现了平均 8.6% 的相对提升，并在部分临床预测任务中取得额外收益。它还将对话答案错误减少了 24.9%，并将与全上下文推理之间的性能差距缩小了 48.0%。我们的发现对生物医学智能体记忆进行了系统刻画，并为开发更有效、更可靠的记忆增强 LLM 系统提供了实践见解。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.13426 [cs.CL] |
| （或 arXiv:2611.13426v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13426 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mingchen Li [查看电子邮件]
[v1]
2026年11月10日星期二 01:09:11 UTC（336 KB）
来源：arXiv cs.CL · arxiv.org