Prism：面向多智能体开放式发现的演化记忆底座

我们提出Prism（Probabilistic Retrieval with Information-Stratified Memory，信息分层记忆概率检索），一个面向从事开放式发现的多智能体AI系统的演化记忆底座。Prism将四种独立发展的范式——分层文件持久化、向量增强的语义记忆、图结构的关系记忆与多智能体演化搜索——统一到一个包含八个互联子系统的决策理论框架之下。我们做出五项贡献：(1) 熵门控分层机制，基于香农信息量将记忆分配到三元枢纽（skills/notes/attempts），并给出形式化的上下文窗口利用率界；(2) 因果记忆图 G = (V, E_r, E_c)，具有干预边与可归因到智能体的溯源；(3) 具有自演化策略选择的信息价值（Value-of-Information）检索策略；(4) 心跳驱动的巩固控制器，借助最优停止理论进行停滞检测；(5) 复制子-衰减动力学框架，将记忆置信度解释为演化适应度，并证明其收敛到一个演化稳定记忆集（Evolutionary Stable Memory Set，ESMS）。在LOCOMO基准上，Prism达到88.1的LLM-as-a-Judge分数（超出Mem0 31.2%）。在CORAL风格的演化优化任务上，4智能体Prism的改进率比单智能体基线高2.8倍。