ActiveMem：用于长时域Agent的动态潜在记忆树

大语言模型（LLM）Agent越来越依赖外部记忆来支持长期推理和决策。现有的记忆系统通常将历史轨迹或摘要作为独立的上下文片段检索，而忽略了多步骤执行背后的程序依赖性。随着记忆规模的扩大，这种扁平检索会引入上下文碎片和跨任务干扰，导致结构上不一致的推理轨迹。我们提出了 ActiveMem，这是一种分层记忆框架，它将Agent体验递归地组织到依赖感知的潜在执行树中。 ActiveMem 将轨迹抽象为可重用的子任务节点，同时显式保留执行转换，从而实现以当前执行状态为条件的连贯推理路径检索。为了支持持续的适应，ActiveMem 通过强化学习进一步学习动态记忆扩展、检索和修剪策略。跨各种Agent基准测试的实验表明，与现有基于记忆的Agent相比，ActiveMem 持续提高了任务完成度、推理稳定性和记忆效率。此外，ActiveMem 使紧凑的开放重量模型能够与更大的专有系统一起实现具有竞争力的性能。