Live-Evo：基于持续反馈的Agentic记忆在线演化

大语言模型（LLM）智能体正日益配备记忆，即所存储的经验与可复用的指导，它们能提升任务求解性能。近期的自演化（self-evolving）系统基于交互结果更新记忆，但多数现有演化流程是为静态训练/测试划分开发的，仅通过把静态基准折叠成在线形式来近似在线学习，因此在真正的分布偏移与持续反馈下十分脆弱。我们提出Live-Evo，一个随时间从流入数据流中学习的在线自演化记忆系统。Live-Evo通过经验库（Experience Bank）与元准则库（Meta-Guideline Bank）将“发生了什么”与“如何使用”解耦，从检索到的经验中为每个任务汇编任务自适应准则。为了在线管理记忆，Live-Evo维护经验权重并根据反馈更新：持续有帮助的经验被强化并被更频繁地检索，而误导性或过时的经验则被降权并逐渐遗忘，类似于人类记忆中的强化与衰减。在为期10周的Prophet Arena实时基准上，Live-Evo将Brier分数改善20.8%，并将市场回报提高12.9%，同时还能迁移到深度研究基准上，相对强基线取得一致增益。代码发布于https://github.com/ag2ai/Live-Evo。