将记忆作为自我改进Agent的中间件

默认情况下，人工智能Agent在会话之间是无状态的，因此在操作上是记忆缺失的：每个会话开始时对先前的故障、修复、偏好或成功策略几乎没有持久的了解。结果，Agent重蹈覆辙，抛弃来之不易的经验。主要的解决方案是定制记忆——将检索、持久性和学习逻辑手工连接到一个Agent中并绑定到一个存储引擎。这创造了一个碎片化的环境，其中记忆无法独立于拥有它的Agent进行交换、共享、隔离或推理。我们认为这是一个中间件问题：Agent记忆应该有一个一流的可插拔层，就像数据访问、消息传递和持久性都成为中间件问题一样。我们通过六个系统挑战来实现这一愿景：两侧可插拔性、主机本机插入、多租户隔离、写入路径一致性、与来源的联合共享以及生命周期治理。我们提出了 ALTK-Evolve，这是一种用于自我改进Agent的记忆中间件的参考实现，并用它来推动未来记忆中间件的更广泛的研究议程。