沙丘社区
论文

AtomMem：基于原子记忆操作的可学习动态Agentic记忆

AtomMem : Learnable Dynamic Agentic Memory with Atomic Memory Operation

Yupeng Huo, Yaxi Lu, Zhong Zhang, Haotian Chen, Yankai Lin
模型训练上下文与知识强化学习记忆Agentic RLAgent记忆

摘要

为代理配备记忆对解决现实世界长程问题至关重要。然而，大多数现有代理记忆机制依赖静态且手工设计的工作流。这限制了这些记忆设计的性能与泛化能力，凸显了对更灵活、基于学习的记忆框架的需求。本文提出AtomMem，它将记忆管理重构为动态决策问题。我们将高层记忆过程解构为基本的原子CRUD（创建、读取、更新、删除）操作，把记忆工作流转变为可学习的决策过程。通过结合监督微调与强化学习，AtomMem学习一个自主的、任务对齐的策略，编排针对特定任务需求的记忆行为。在3个长上下文基准上的实验结果表明，训练后的AtomMem-8B持续超越先前的静态工作流记忆方法。对训练动态的进一步分析表明，我们的学习式方法使代理能够发现结构化、任务对齐的记忆管理策略，凸显了相对预定义流程的关键优势。

AtomMem：基于原子记忆操作的可学习动态Agentic记忆
图2：AtomMem 框架总览。智能体在与长文档、网络或真实世界环境交互的同时维护外部记忆。高层的记忆工作流被分解为对向量数据库的原子化 CRUD（Create、Read、Update、Delete）操作。通过端到端强化学习，智能体学到与任务对齐的记忆管理策略，根据任务需求动态决定何时存储、检索、更新或删除信息。