arXiv cs.MA· Yipeng Hao, Yuxuan Cai, Wenkai Ji, Jie Zhou, Liyang Yu, Qin Chen, Zhiguo Yan, Shulei Zheng, Liang He·· 11 小时前AI 评分31
DiscernMem：在多智能体系统中精炼记忆并学习何时使用记忆
Remembering Is Not Enough: Refining Memories and Learning When to Use Them in Multi-Agent Systems
AI 导读
研究提出免训练的 DiscernMem 框架，通过缺陷感知记忆精炼（DMR）诊断并修复记忆规则缺陷，再用边界学习元记忆（BLM）记录每条记忆的历史使用效果、判断何时该用或该避。
正文 · AI 翻译
摘要：记忆能帮助基于 LLM 的多智能体系统复用经验，但存储的建议可能有缺陷，或被用在错误的场景中。仅凭团队层面的成功或失败，无法可靠地判断某条记忆是需要修正，还是本就不该被使用。我们提出 DiscernMem，一个无需训练的框架，可同时提升记忆质量和记忆使用。为提升质量，缺陷感知记忆精炼（DMR）将团队执行结果分别与单条记忆、无记忆的情况进行比较，诊断规则缺陷，并在当前任务和更早的任务上测试修复效果，以防丢失此前有用的行为。为引导恰当使用，边界学习元记忆（BLM）记录每条记忆过去的用途和效果，基于任务上下文和传入消息，学习其所属角色应在何时应用或避免使用该记忆。这些组件共同帮助团队修正有缺陷的经验，同时保留那些被错误应用的有用规则。在四个基准上使用 Qwen3-4B-Instruct-2507 的实验表明，DiscernMem 在 AutoGen、CAMEL 和 MacNet 上取得最高平均分，超过已报告的最强基线 0.51-4.32 分。它在全部三个系统的代码生成和符号规划任务上均领先，其中在 CAMEL 上的 PDDL 得分为 37.71，而对比为 28.48。
| 主题： | 人工智能（cs.AI）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2610.36652 [cs.AI] |
| （或 arXiv:2610.36652v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36652 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yipeng Hao [查看邮箱]
[v1]
2026年10月27日星期二 05:12:46 UTC（315 KB）
来源：arXiv cs.MA · arxiv.org