结合运行时Agentic研究的即时Agent记忆

摘要

记忆对于人工智能Agent至关重要。许多现有的Agent记忆系统遵循提前 (AOT) 设计，在特定请求到达之前构建记忆。虽然这降低了在线服务成本，但这种与请求无关的记忆构造可能会丢弃后来变得重要的细粒度信息。为了解决这个限制，我们提出了即时Agent记忆（JAM），这是一种用于在运行时构建查询条件上下文的可训练框架。记忆在具有紧凑导航摘要的分层页面存储中保留完整的原始历史，而研究人员则迭代地检索、检查和集成每个请求的证据。为了训练这些记忆使用行为，我们引入了 Memory-Gym，这是一种基于证据的数据合成管道，涵盖六个领域的九种任务类型，并通过经过验证的轨迹监督微调和提示引导的组相对策略优化来优化研究人员。我们在Agent记忆和长上下文处理的各种基准测试中证明了 JAM 的有效性，它比 AOT 式记忆系统实现了更强的任务性能，同时比之前训练的 agentic 记忆方法保持了更高的效率。为了支持可重复性和未来的研究，我们在 https://github.com/VectorSpaceLab/general-agentic-memory. 发布了匿名源代码