论文
RSMeM：面向遥感智能体的知识增强记忆演化与系统性评估
RSMeM: Knowledge-Enhanced Memory Evolution for Remote Sensing Agents with Systematic Evaluation
摘要
地球科学研究需要复杂的分析和领域专业知识，遥感（RS）观测是其关键基础。然而，构建在通用LLM之上的现有遥感智能体在很大程度上与领域无关，导致工作流脆弱且易错。此外，这些失败很少被沉淀为可供后续分析复用的经验。为解决这一问题，我们提出RSMeM，一种知识增强的记忆演化机制，通过预蒸馏的领域知识引导遥感智能体冷启动，并迭代整合在线经验，以实现稳健的多步工具执行。RSMeM由两个组件构成：（i）层级知识锚定（Hierarchical Knowledge Grounding），在层级化领域语料上进行分类体系感知的检索，以引导规划与工具选择；（ii）失败感知经验精炼（Failure-Aware Experience Refinement），将带失败标注的工具使用轨迹蒸馏为可复用约束，用于下一轮工具执行。通过迭代运用这两个过程，遥感智能体得以演化，既吸收任务级领域知识，又有效地将其转化为实例级执行经验。在EarthBench上的大量实验表明，RSMeM在多种LLM骨干上持续提升工具使用性能和端到端答题表现。值得注意的是，RSMeM在DeepSeek-V3.2上以不到1%的额外经验token取得6%的准确率提升，展现了我们所蒸馏经验的高知识密度。
