论文
CrystalMem：通过知识结晶为自演化LLM Agent构建弹性记忆
CrystalMem: Elastic Memory for Self-Evolving LLM Agents via Knowledge Crystallization
摘要
对于自进化大语言模型（LLM）代理的记忆，通常被视作其字节预算仅增长。然而，云平台通过调整配额来适应负载和成本，并且我们证明，能力并不遵循预算：在挤压和恢复循环之后，代理会低于其挤压之前的水平，我们称之为记忆滞回。原因在于其结构。删除和单向压缩会丢弃用于后续重建所需的材料，我们证明，任何只保留或删除条目（entry）的策略都存在一个剩余缺损地板。我们提出CrystalMem（Crystallized Memory），这是一种弹性记忆侧车，通过在结晶能量（schedule）下，将条目从四个保真度（fidelity）状态中降级，通过依赖耦合（coupling）来排序降级的影响，并通过明确的计算和字节数限制（byte caps）来恢复能力。在七个环境、十七个方法和六个基础架构（backbone）中，通过多租户服务和物理边缘-云部署，CrystalMem在每种设置下都实现了最高的恢复能力，并且闭合了每个基准方法留下的缺口。从50%的字节预算开始，CrystalMem在每种环境中都与最强的字节预算基准方法匹配，并且在平均值上领先4.6个百分点。
