DeltaMem：用增量残差树组织Agent经验记忆

基于大型语言模型 (LLM) 的代理越来越依赖记忆来从持续交互的经验中学习。然而，将体验存储为独立、扁平的单元会导致大量的冗余和检索冲突，因为相似的情节重复重叠的内容和微妙的场景变化导致检索到的记忆提供矛盾的指导。为了解决这个问题，我们引入了残差经验，假设新获得的经验通常是现有知识的增量变化。我们提出了 DeltaMem，一个将经验记忆组织成两个独立的残差树的框架，一个将目标条件任务经验存储为可重用的技能，另一个存储场景级环境知识。每棵树都使用根节点来实现概括性基础经验，并使用增量节点来实现后续的变化，从而允许相关体验共享一个共同的基础而无需重复。对于检索，失败惩罚的相似性扫描可以找到最佳匹配，通过根到匹配链的组合来重建完整的体验。自主整合机制将高频路径提炼为新的根节点，使树能够自组织从一般启发法到专门变体。跨不同交互环境的实验表明，DeltaMem 始终优于现有基线。为了方便未来的研究，我们在 https://github.com/import-myself/DeltaMem 发布了代码。