神经程序记忆：通过隐式激活指导为 LLM 代理提供支持

虽然 大语言模型 (LLM) 作为静态求解器表现出色，但将它们转变为自主代理仍然具有挑战性。这种转变需要持续的环境交互，但当前的智能体缺乏必要的持久程序记忆。现有方法主要采用检索增强生成（RAG）将明确的文本指南注入模型上下文中。然而，仅仅依赖符号指令可能会导致文本操作脱节，经常无法激活正确任务执行所需的内部表示。为了解决这个问题，本文引入了神经过程记忆 (NPM)，这是一个 无需训练 框架，它通过隐式激活控制而不是显式指令来表示代理记忆。通过将历史对比经验中的程序技能提炼为激活空间中的引导向量，NPM 直接激活与任务相关的神经机制来指导任务执行。对四个代理基准的评估表明，NPM 的性能与使用显式文本指令的基线相当。此外，结果表明，将隐式引导与显式工作流程相结合可提供互补优势，从而实现更稳健的任务执行。表征分析表明这些引导向量编码一致的任务逻辑，在激活空间内形成有组织的结构。这些发现表明，隐式激活引导为管理代理记忆提供了一种有前途的方法。