超越语义组织：记忆作为长程智能体的执行状态管理

基于大语言模型的代理越来越多地通过相互依赖的决策来处理长期任务，其中每个行动都会重塑未来的约束，并且中间错误可能会级联。现有的 RAG 和代理记忆系统通过语义相似性来组织历史，在决策时检索内容相关的条目。我们认为这种设计与执行状态依赖性不匹配：它使决策轨迹支离破碎，并混合了有效和错误的轨迹，阻碍了连贯的状态重建和错误隔离。我们提出了 MAGE（内存作为代理引导的探索），这是一种主动执行状态管理器，它将交互存储在分层状态树中。代理从活动的根到当前路径中导出其状态，结合子目标摘要、最近的跟踪和先前分支的提示。四个耦合操作维护树：增长记录新跟踪，压缩总结已完成的子目标，维护验证摘要，修订恢复目标边界并在新分支上恢复。这种设计限制了上下文的增长，同时保持状态完整性并将有缺陷的段与活动路径隔离。 MemoryArena 上的实验表明，MAGE 的平均任务成功率比基线提高了 7.8--20.4 pp，同时减少了 55.1% 的词元消耗。