MemMA：多智能体驱动的记忆自进化框架

一句话总结本工作提出 MemMA一个通过多智能体协同与自进化机制统一优化“记忆构建-检索-利用”循环的框架显著提升长程记忆推理能力。 背景问题当前 memory-augmented LLM agent 存在两个核心瓶颈1️⃣ 前向路径缺乏全局策略strategic blindness记忆构建与检索依赖局部启发式导致信息冗余、冲突或检索漂移2️⃣ 后向路径监督稀疏delayed feedback下游错误难以追溯到具体记忆构建决策无法有效修复 memory bank 方法简介提出一个统一 memory cycle 的多智能体框架 MemMA前向路径construction retrieval引入 planner–worker 架构• Meta-Thinker提供全局策略指导存什么、缺什么• Memory Manager执行 ADD / UPDATE / DELETE• Query Reasoner基于“诊断→改写”的迭代检索• Answer Agent最终生成答案→ 从“盲目检索”变为“诊断驱动检索”后向路径self-evolution引入 in-situ memory self-evolution• 自动生成 probe QA• 用当前 memory 做验证• 将错误转化为 memory repairINSERT / MERGE / SKIP→ 把“延迟监督”变成“即时可修复信号” 实验结果在 LoCoMo 长程对话记忆任务上在 GPT-4o-mini 下达到 49.40 F1 / 81.58 ACC显著超越 LightMem 等强 baselineMulti-hop ACC 提升至 78.12%大幅优于原方法在多种 memory backendSingle-Agent / A-Mem / LightMem上均稳定提升消融实验表明• iterative retrieval 是最关键组件• self-evolution 主要提升语义正确性• Meta-Thinker 有效减少 memory noise✨ 一句话点评MemMA首次把“记忆”从被动存储升级为可自我进化的闭环系统本质是在做 Memory-level RL而不是仅仅优化检索或生成。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】