UpliftMem：学习用于Agent内存检索的集级提升

大语言模型（LLM）Agent重用外部记忆来指导新任务，但有效的检索需要了解哪些记忆集可以提高执行力。这种学习依赖于昂贵的结果反​​馈：普通检索仅观察执行的集合，而评估替代方案则需要额外的部署。我们引入了 \textsc{UpliftMem}，它从相对于没有内存的相同执行器的集合级执行提升中学习内存检索。对检索偏好如何限制反馈覆盖范围的理论分析激发了对替代记忆集的有针对性的探索。探针选择遵循样本信息期望值 (EVSI) 标准，该标准在相关高斯模型下以封闭形式导出，以根据本地检索决策的预期改进来分配有限的训练部署。共享评分器使用冻结执行器进行训练，并在没有测试时探针的情况下选择内存集。在 ALFWorld、WebShop 和 BigCodeBench 中，\textsc{UpliftMem} 在主要评估集的评估基线中实现了最佳成功率。受控固定存储和匹配探针预算评估进一步证明了改进的内存使用决策和更有效地使用执行反馈。