向他人学习、为你执行：LLM Agent的跨用户记忆共享

为不同用户提供服务的大语言模型 (LLM) Agent通常会解决相关任务，但单独的用户历史记录可能会让其他Agent无法访问可重用的体验。池化记忆扩大了访问范围，但存在转移与接收用户的要求相冲突的偏好的风险。我们引入 ShareMem，这是一种记忆架构，它共享可重用的体验，同时将其应用程序基于接收用户自己的偏好。共同的经验表明如何行动以及参考哪些偏好；接收用户的记忆提供了他们的具体值。在将接受的编辑集成到共享池之前，两阶段整合可在本地完善体验。在执行过程中，范围优先检索在共同条目预算下联合选择本地和共享体验，而用户绑定通道支持初始和Agent发起的偏好检索。我们通过四个骨干模型评估了 Web 导航 (Mind2Web)、在线个性化交互 (VitaBench~2.0) 和多会话编码 (MemoryCode) 方面的 ShareMem。与所有四个模型中匹配的用户本地记忆相比，它分别提高了步骤成功率、平均任务成功率和对话宏编码分数。消融有利于较小共享池的两阶段整合、较低的诱导词元使用和更好的下游性能，并支持经验指导和主动偏好检索之间的互补。进一步的分析表明，当相关本地经验匮乏时，共享最有帮助，而源质量和跨用户偏好干扰限制了有用的传输。