MESA：面向长程Agent记忆的任务自适应多结构证据选择

长程智能体积累的轨迹跨越数百个交错的推理、行动与观察步骤，回答一个查询可能依赖深埋在历史远处的证据。外部记忆以结构化表示存储这些轨迹，但每种结构提供的是一个独特而不完整的视图。现有多记忆系统要么对每个查询读取固定的一组结构，膨胀上下文并引入噪声；要么把每个查询路由到单一结构，无法组合互补证据。在AMA-Bench上的受控分析表明，最优记忆配置通常既非单一结构也非全部并集，而是随查询和任务需求变化、由多个结构记忆定制组合而成。受这些发现启发，我们形式化了结构级动态选择：从一个专用记忆结构库中选择并融合查询自适应的子集。我们提出MESA（面向长程Agent的多结构证据选择框架），它为每条轨迹构建五个互补的结构视图，并从端到端的答案级反馈中学习，为冻结的答案模型选择和融合查询特定子集。为在这种弱监督下学习，MESA采用带先验引导搜索和UCB引导调度的harness优化，以平衡探索与利用。在AMA-Bench上，MESA超过最强基线8.5%，同时比全结构方案少用41%的证据token。