arXiv cs.AI· Xuehang Guo, Xingyao Wang, Zora Zhiruo Wang, Qingyun Wang, Graham Neubig, Heng Ji·· 14 小时前AI 评分35
MemOp：面向软件工程智能体的闭环记忆优化框架
Enhancing Software Engineering Through Closed-Loop Memory Optimization
AI 导读
MemOp 是一个面向软件工程智能体的闭环记忆增强框架，将记忆效用定义为可验证的下游影响，同时作为任务无关的评测基准和无标注优化信号。在四个基准、三种编程语言和两个 SE 智能体上，MemOp 使成功率最高提升 5.25%、解决效率提升 4.63%，部署成本降低至少 10.33%。该框架还展现出跨智能体、记忆骨干和优化算法的泛化性，训练出的记忆模型可迁移到未见过的编程语言和 SE 任务。
正文 · AI 翻译
摘要：大型语言模型（LLM）催生了强大的软件工程（SE）智能体，它们能够浏览复杂代码库并解决现实世界中的问题。然而，这些智能体本质上仍是片段式的：它们无法跨任务保留、提炼和复用经验，会反复从零重建上下文并重犯类似错误。即便有记忆支持，它们也无法弥补缺乏有原则的、任务无关的\textit{记忆效用}这一问题，导致难以对其进行严格评估，也难以跨智能体和设置进行泛化。为解决这些局限，我们提出了 MemOp，一个用于 SE 智能体记忆增强的闭环框架。MemOp 将记忆效用建立在\textit{经验证的下游影响}之上，把效用同时确立为任务无关的\textbf{评估基准}和无标注的\textbf{优化信号}。在四个基准、三种编程语言和两个 SE 智能体上，在互补的\textit{单回合}和\textit{跨回合}记忆增强下评估 MemOp，结果证明了 MemOp 的\textbf{有效性}，成功率绝对提升最高达 $\uparrow5.25\%$，解决效率提升最高达 $\uparrow4.63\%$，同时显著降低部署成本 $\geq10.33\%$。MemOp 还展现出跨 SE 智能体、记忆骨干和优化算法的\textbf{泛化性}，以及 MemOp 训练的记忆模型对未见编程语言和 SE 活动的\textbf{可迁移性}。我们的项目页面：this https URL。
| 学科： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.05646 [cs.SE] |
| （或 arXiv:2606.05646v2 [cs.SE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.05646 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Xuehang Guo [查看邮箱]
[v1]
2026年6月4日星期四 03:17:21 UTC（18,294 KB）
[v2]
2026年10月26日星期一 12:40:06 UTC（21,288 KB）
来源：arXiv cs.AI · arxiv.org