Metis：为自我进化代理桥接文本和代码记忆

自我进化代理通过从过去的执行中提取经验并在未来的任务中重用它来随着时间的推移而改进。现有系统将这种体验表示为注入代理上下文中的自然语言文本或作为可调用工具公开的代码。然而，这些表示之间的选择通常是在设计时做出的，而不是从体验本身的特征中得出的，因此人们对它们之间的权衡知之甚少。我们提出了第一个对照研究，通过一组相同的体验将文本记忆和代码记忆分开。我们的结果表明，这两种形式在构建成本、执行效率和可转移性方面表现出互补的权衡，因此单独的一种表示形式是不够的。在这些发现的指导下，我们提出了 Metis，一个建立在分层双重表示记忆之上的自我进化代理系统。 Metis 将文本经验组织成执行计划、环境事实和常见陷阱，并有选择地将重复计划具体化为经过验证的可调用工具。这种设计结合了文本存储器的广泛适用性和代码存储器的执行效率，同时仅在重复重用合理时才会产生工具生成成本。我们在 AppWorld 上评估 Metis，这是交互式代理的一个具有挑战性的基准。结果表明，与 ReAct 相比，Metis 的任务准确性提高了 20.6%，同时执行成本降低了 22.8%。与代表性的自进化代理系统相比，Metis 在准确性、执行效率和内存构建成本之间始终取得了更好的平衡。