双集群内存代理：解决优化问题求解中的多范式模糊性

大语言模型 (LLM) 经常与优化问题中的结构模糊性作斗争，其中单个问题允许多个相关但相互冲突的建模范例，从而阻碍有效的解决方案生成。为了解决这个问题，我们提出了双集群内存代理（DCM-Agent），通过以 无需训练 方式利用历史解决方案来提高性能。其中的核心是双集群内存构建。该代理将历史解决方案分配给建模和编码集群，然后将每个集群的内容提炼为三种结构化类型：方法、清单和陷阱。这个过程衍生出可概括的指导知识。此外，该代理引入了内存增强推理来动态导航解决方案路径，检测和修复错误，并利用结构化知识自适应地切换推理路径。七个优化基准的实验表明，DCM-Agent 实现了 11% - 21% 的平均性能提升。值得注意的是，我们的分析揭示了一种“知识继承”现象：较大模型构建的内存可以引导较小模型获得卓越性能，突出了框架的可扩展性和效率。