AMA：通过多智能体协作实现自适应记忆

大语言模型（LLM）智能体的快速演进，使得需要稳健的记忆系统来支持连贯的长期交互和复杂推理。受益于LLM的强大能力，近期研究焦点已从简单的上下文扩展转向专用Agentic记忆系统的开发。然而，现有方法通常依赖僵硬的检索粒度、重积累的维护策略和粗粒度的更新机制。这些设计选择造成存储信息与任务特定推理需求之间的持续错配，同时导致逻辑不一致随时间不受控地累积。为应对这些挑战，我们提出通过多智能体协作实现自适应记忆（AMA），一个利用协作智能体跨多粒度管理记忆的新框架。AMA采用分层记忆设计，动态将检索粒度与任务复杂度对齐。具体而言，Constructor和Retriever共同实现多粒度记忆构建和自适应查询路由。Judge验证检索内容的相关性与一致性，在证据不足时触发迭代检索，或在检测到逻辑冲突时调用Refresher。Refresher随后通过执行针对性更新或移除过时条目来强制记忆一致性。在具有挑战性的长上下文基准上的大量实验表明，AMA显著优于最先进基线，同时与全上下文方法相比token消耗减少约80%，证明了其在保持检索精度和长期记忆一致性方面的有效性。