论文
AgeMem：联合训练Agent的长期记忆与短期上下文管理
Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents
摘要
大语言模型Agent受有限上下文窗口限制，在长程推理中面临根本性困难，因此有效的记忆管理至关重要。现有方法通常将长期记忆和短期记忆分开处理，依赖启发式规则或辅助控制器，限制了适应能力和端到端优化。本文提出Agentic Memory（AgeMem），将长期记忆与短期记忆管理直接纳入Agent策略的统一框架。AgeMem将记忆操作表示为工具动作，使Agent自主决定保存、检索、更新、总结或丢弃哪些信息，以及何时执行这些操作。为训练这些统一行为，本文提出三阶段渐进式强化学习策略，并设计逐步GRPO，处理记忆操作带来的稀疏、不连续奖励。在五项长程任务基准上，AgeMem在多个大语言模型骨干下持续优于较强的记忆增强基线，提高了任务表现、长期记忆质量和上下文使用效率。
