AdMem：面向任务求解智能体的高级记忆

大型语言模型（LLM）显示出作为工具使用代理的前景，但在需要记忆、组织和重用知识的长期任务中仍然受到限制。先前的记忆方法旨在解决这种情况，但主要侧重于存储事实信息。最近关于程序内存的工作改善了任务重用，但通常会简化为重播过去的成功，而无需解决失败案例或在线可扩展性。我们引入了一个统一的自动记忆框架，该框架将语义、情景和程序记忆集成在结合短期和长期存储的双层设计中。具有参与者、记忆和批评代理的多代理架构可实现自动记忆生成、奖励注释和自适应检索。长期记忆通过基于奖励的评估、合并和修剪进行管理，确保可扩展性和持续改进。各种环境中的实验表明，与现有基线相比，我们的方法提高了长时间多轮任务的稳健性和成功率。这项工作强调了全面的自适应记忆对于推进基于 LLM 的智能体的重要性。