达尔文记忆：面向GUI智能体演化的免训练自调节记忆系统

摘要

多模态大语言模型（MLLM）智能体促进图形用户界面（GUI）自动化，但因上下文窗口有限而在长时程、跨应用任务上表现挣扎。虽然记忆系统提供可行方案，现有范式难以适应动态GUI环境，遭受高层意图与低层执行之间的粒度失配，以及上下文污染——过时经验的静态累积把智能体推入幻觉。为解决这些瓶颈，我们提出达尔文记忆系统（DMS），一个把记忆构建为受适者生存法则支配的动态生态的自演化架构。DMS把复杂轨迹分解为独立、可复用的单元以获得组合灵活性，并实施效用驱动的自然选择来追踪生存价值，主动修剪次优路径并抑制高风险计划。这种演化压力迫使智能体推导更优策略。在真实多应用基准上的大量实验验证，DMS在无训练成本与架构开销的情况下增强通用MLLM，成功率平均提升18.0%、执行稳定性提升33.9%，同时降低任务延迟，确立其作为GUI任务有效自演化记忆系统的地位。

达尔文记忆：面向GUI智能体演化的免训练自调节记忆系统 — 图2：Darwinian Memory System 概览。该架构将 Planner-Actor 框架与自演化记忆机制相结合。Feedback Regulation 模块（顶部）通过贝叶斯风险评估抑制低声誉计划，以驱动探索。Memory Bank（中部）支持就地演化更新（In-place Evolutionary Updates），效率更高的变异轨迹会覆盖现有条目。为确保系统稳定性，Homeostatic Regulation（底部）基于多因素存活值（即效用、衰减与可靠性）使用 Elbow Method 动态修剪过时记忆。