SelfMem：AI 代理的自我优化内存

虽然当前的人工智能代理支持越来越长的上下文窗口、工具使用和长期任务的技能执行，但它们仍然需要记忆系统来有效利用历史经验。现有的内存框架通常依赖于固定的存储、检索和汇总机制，这些机制在不同的任务中可能是僵化的，并且通常需要手动调整。为了解决这个限制，我们提出了 SelfMem，一个自我优化的内存框架。受到之前人工智能自我改进工作的启发，我们遵循“授之以鱼，不如授之以渔”的原则。 SelfMem 不是强迫模型遵循预定义的记忆策略或格式，而是提供了一个具有记忆工具和反馈信号的环境，允许代理探索、评估和完善自己的记忆策略。我们的结果表明，SelfMem 在从 100K 到 1M 词元的对话规模上始终优于 BEAM 上的检索、压缩和代理内存基线。与最强基线相比，SelfMem 在 100K、500K 和 1M 时分别提高了官方分数 48.7%、40.8% 和 41.9%。进一步的问题类型分析显示了跨不同内存需求的广泛稳健性，我们的优化研究表明模型引导的策略细化进一步提高了性能。