通过去中心化记忆自我进化的多代理系统

自进化多智能体系统 (MAS) 已成为 LLM 智能体的一条有前途的途径，这些智能体以持久记忆为基础，根据经验不断改进。然而，现有的设计几乎完全采用跨代理共享的集中式存储库，这会产生通信和协调开销，引发隐私问题，并破坏代理多样性。我们提出了 DecentMem，一个去中心化的记忆框架，其中每个智能体都维护自己的双池内存——一个整合过去轨迹的开发池和一个由 LLM 生成的未见上下文候选者的探索池。根据作为评委的 LLM 的阶段性反馈，这两个池会在线重新加权。从理论上讲，我们证明这种设计保证了解决方案空间的全局可达性，并实现了 $O(\log T)$ 累积遗憾，将随机老虎机下界与常数相匹配。实际上，在三个 MAS 框架（AutoGen、DyLAN、AgentNet）、三个 Qwen3 主干（4B/8B/14B）、两个 Gemma4 主干（E2B/E4B）以及涵盖数学、代码、QA 和具体任务的五个基准测试中，DecentMem 的平均准确率比最强的集中式记忆基准提高了 23.8%，比无记忆基准提高了 52.5%，同时将词元使用量减少了高达49%。