MemCodex：语言Agent的自编程分层内存

Agent内存面临异构访问需求：单跳问题可能需要一个证据，而多跳问题必须结合多个来源的证据。预定义的内存工作流程无法适应这些不同的需求。最近的自适应方法搜索或学习内存组件及其组成，但设计空间本身仍然是预定义的。我们介绍 MemCodex，一个自我进化的分层记忆系统，它将经验组织成可执行的记忆程序，用于摘要、关系知识、可重用技能和潜在记忆。开放式程序演化通过重写每层的构造、索引、检索和路由方式来搜索层程序的开放设计空间，从而适应层内实现和跨层组合。在查询时，读取从粗到细遍历层次结构，一旦找到足够的证据就停止，在需要时下降到原始历史记录。我们进一步开发了 MemArena，这是一个统一的运行时，它将异构数据和内存系统置于通用接口后面。相对于最强的自适应内存基准，MemCodex 将平均任务成功率提高了 10.1%，同时使用的上下文标记数量减少了 3.4 倍，推理速度提高了 2.1 倍。