学习如何记忆：一种结构化且可迁移的智能体记忆元认知管理方法

大型语言模型（LLM）智能体在解决长期决策任务时越来越依赖积累的记忆。然而，现有方法通常以固定表示形式存储记忆，并在单一或隐含的抽象层次上重用，这限制了泛化能力，并在分布偏移时导致负迁移。本文提出了一种元认知记忆抽象方法（MCMA），将记忆抽象视为一种可学习的认知技能，而非固定设计选择。MCMA通过结合冻结的任务模型和学习的记忆协作者，将任务执行与记忆管理解耦。记忆协作者通过直接偏好优化进行训练，决定记忆应如何结构化、抽象化和重用。进一步地，记忆被组织为多个抽象层次，实现基于任务相似性的选择性重用。当没有可迁移记忆时，MCMA通过迁移记忆协作者来传递抽象和管理记忆的能力。在ALFWorld、ScienceWorld和BabyAI上的实验表明，该方法在性能、分布外泛化和跨任务迁移方面均优于多个基线方法。