AtomMem：具有原子记忆操作的可学习动态智能体记忆

为解决现实世界中的长期任务问题，智能体需要具备记忆能力。然而，现有记忆机制多依赖静态且手工设计的工作流程，限制了性能和泛化能力。本文提出AtomMem，将记忆管理重新定义为动态决策问题，将高层次的记忆过程分解为基本的CRUD（创建、读取、更新、删除）操作，并将其转化为可学习的决策过程。通过结合监督微调与强化学习，AtomMem学习到一种自主且任务对齐的策略，以根据具体任务需求协调记忆行为。实验结果表明，在三个长上下文基准测试中，训练后的AtomMem-8B模型始终优于先前基于静态工作流的记忆方法。进一步分析显示，基于学习的方法使智能体能够发现结构化、任务对齐的记忆管理策略，凸显了其相对于预定义流程的优势。