arXiv cs.AI· Xinheng Ding, Seyyed Saeid Cheshmi, Ziyang Zhang, Tairan Chen, Wenya Xie, Yu Hou, Rui Zhang, Zirui Liu·· 1 天前AI 评分55
MAPE：用程序演化自动发现智能体记忆设计
Discovering Effective Agent Memory Designs through Program Evolution
AI 导读
研究提出 MAPE 框架，通过标准化生命周期接口和迭代的诊断-提议循环，从最小种子出发演化出完整的记忆程序。在 LoCoMo 和 LongMemEval 上，其准确率比人工设计基线最高提升 12%，服务成本仅为后者的 35%。分析归纳出两条设计模式：保留原始对话作为可检索证据，以及按查询意图组合检索到的证据；将组合模块移植到五个现有记忆系统后，准确率均有提升。
正文 · AI 翻译
摘要：程序演化提供了一种有前景的方法，可用于发现智能体记忆设计并研究其有效性背后的选择。我们提出 MAPE，这是一个通过标准化生命周期接口和迭代式诊断-提议循环，从最小种子演化出完整记忆程序的框架。在 LoCoMo 和 LongMemEval 上的实验表明，与人工设计的基线相比，绝对准确率最高提升 12%，而服务成本仅为 35%；进一步评估支持其在服务主干和基准之间的迁移。实证分析和消融实验识别并验证了两种反复出现的设计模式：将原始对话保留为可检索证据，可保留提取记忆中遗漏的细节；而根据查询意图组合检索到的证据，有助于回答模型有效利用这些证据。将组合模块移植到五个现有记忆系统中，使这五个系统的准确率均得到提升。除这些模式外，搜索目标决定了计算资源的投向：在优化服务成本的同时兼顾准确率，会将计算从基于 LLM 的记忆构建转移到查询时的选择性处理，同时保持有竞争力的准确率。这些发现共同为智能体记忆设计提供了实证经验。代码见 this https URL。
| 评论： | 24 页，8 幅图，10 张表 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.17068 [cs.CL] |
| （或 arXiv:2611.17068v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.17068 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xinheng Ding [查看邮箱]
[v1]
2026 年 11 月 12 日星期四 16:42:04 UTC（2,080 KB）
来源：arXiv cs.AI · arxiv.org