论文
MAPLE：Agentic AI系统中面向记忆、学习与个性化的子代理架构
MAPLE: A Sub-Agent Architecture for Memory, Learning, and Personalization in Agentic AI Systems
摘要
大语言模型（LLM）代理已成为处理复杂任务的强大工具，但其适应个体用户的能力仍受到根本性限制。我们认为这一局限源于一个关键的架构性混淆：当前系统将记忆、学习与个性化当作一种统一能力，而不是三种各自需要不同基础设施、在不同时间尺度上运行并受益于独立优化的不同机制。我们提出 MAPLE（Memory-Adaptive Personalized LEarning），一种有原则的分解方式：记忆（Memory）负责存储与检索基础设施；学习（Learning）异步地从积累的交互中提取智能；个性化（Personalization）在有限的上下文预算内实时应用所学知识。每个组件都作为一个专门的子代理运行，配备专用工具和明确定义的接口。在 MAPLE-Personas 基准上的实验评估表明，与无状态基线相比，我们的分解方法使个性化得分提高 14.6%（p < 0.01，Cohen's d = 0.95），并将特质纳入率从 45% 提升至 75%——从而使代理能够真正地学习与适应。
