新上线今天0 投票
EvolveMem：让LLM智能体记忆系统自主进化，检索机制不再一成不变
核心突破：记忆架构的“双层次”自进化
大语言模型（LLM）智能体在跨会话任务中依赖长期记忆，但现有系统仅让存储内容动态更新，而检索机制（如评分函数、融合策略、答案生成规则）在部署后便固定不变。这一缺陷限制了智能体的持续适应能力。
最新论文《EvolveMem: Self-Evolving Memory Architecture via AutoResearch for LLM Agents》提出了一种自进化记忆架构，首次实现记忆存储与检索机制的协同进化。其核心是将完整的检索配置暴露为结构化动作空间，由一个 LLM驱动的诊断模块 进行优化。
工作原理：闭环自研（AutoResearch）
EvolveMem 的工作流程类似一个自动化研究循环：
- 诊断：模块读取每个问题的失败日志，识别根因；
- 调整：提出针对性的配置调整方案；
- 验证：通过“回退退化”和“停滞探索”双重保护机制，确保进化稳定。
这种设计使系统从极简基线出发，自动收敛到高效检索策略，甚至能发现原始动作空间中不存在的全新配置维度。
性能表现：显著超越现有基线
在 LoCoMo 基准上，EvolveMem 相对最强基线提升 25.7%，相比极简基线提升 78.0%；在 MemBench 上，相对最强基线提升 18.9%。更关键的是，进化后的配置在跨基准迁移时表现出正向迁移，而非灾难性遗忘，表明自进化过程捕获了通用检索原理，而非基准特定的启发式规则。
行业意义与未来展望
EvolveMem 打破了记忆系统“存储进化、检索固定”的范式，为构建真正自主的 LLM 智能体提供了新思路。其 AutoResearch 机制 有望减少人工调参成本，推动智能体在复杂长程任务中的落地应用。论文代码已开源。
对于 AI 从业者而言，这项研究提示我们：智能体的自适应能力不仅在于“记住更多”，更在于“学会如何检索”。当记忆系统学会自我优化，智能体的持续学习能力将迈上新台阶。