沙丘社区
论文

MemCo：面向未知环境的记忆协作

MemCo: Memory-Centric Collaboration for Generalizing LLM Agents to Unseen Environments

Xinting Liao, Siyan Liu, Rabab K. Ward, Holger R. Roth, Xiaoxiao Li
上下文与知识记忆Agent记忆

摘要

大语言模型 (LLM) 智能体越来越多地在交互式环境中操作，他们需要通过观察、行动和反馈做出连续的决策。尽管记忆可以帮助智能体重用体验，但现有工作单独设计记忆，收集足够的轨迹来填充它的成本很高。现有的共享记忆方法通过跨任务和环境汇集偶发性记忆来缓解孤立体验。然而，检索共享的记忆受到粒度的挑战，其中检索到的记忆可能太具体而无法保留当前基础，或者太粗略而无法支持下一步操作。在这项工作中，我们提出了 MemCo，一个以记忆为中心的协作框架，用于将 LLM 智能体推广到看不见的交互环境。它维护互补的本地和全局记忆空间，在本地保留环境特定的细节，同时促进从本地轨迹到全局记忆的可转移工作流程。在在线交互过程中，MemCo根据智能体的当前状态和决策阶段路由相关的本地和全局记忆，使智能体能够重用其他智能体的经验，而无需盲目传递特定于环境的细节。交互式决策基准的实验表明，与isolate-记忆和shared-记忆基线相比，MemCo改进了任务成功率并减少了冗余探索。我们的代码可在 https://github.com/SYannL/nvdamas. 获取

MemCo：面向未知环境的记忆协作：论文原图
图 2：MemCo 概述。本地记忆构建组织特定环境的交互体验并提取可重用的记录。渐进的全球记忆协作会汇总智能体中的证据，并将支持的可重用记录推广到全球记忆。查询引导的记忆支持为当前决策奠定基础并组成本地和全局记忆。