学习如何记忆：一种面向结构化可迁移代理记忆的元认知管理方法

大语言模型（LLM）代理日益依赖积累的记忆来解决长程决策任务。然而，大多数现有方法以固定表示存储记忆，并在单一或隐式抽象层次上复用，这限制了泛化能力，且在分布偏移时常导致负迁移。本文提出元认知记忆抽象方法（Meta-Cognitive Memory Abstraction，MCMA），它将记忆抽象视为可学习的认知技能，而非固定的设计选择。MCMA通过将冻结的任务模型与习得的记忆副驾驶（memory copilot）相结合，把任务执行与记忆管理解耦。记忆副驾驶通过直接偏好优化（direct preference optimization）训练，决定记忆应如何被结构化、抽象与复用。记忆被进一步组织成抽象层次的层级结构，支持基于任务相似性的选择性复用。当没有可迁移的记忆时，MCMA通过迁移记忆副驾驶来迁移抽象与管理记忆的能力。在ALFWorld、ScienceWorld与BabyAI上的实验表明，相较多个基线，MCMA在性能、分布外泛化与跨任务迁移上均取得显著改进。