摘要
大型语言模型代理常配备记忆以提升任务性能，但现有自进化系统多基于静态数据，难以适应真实分布漂移。本文提出 Live-Evo，一种在线自进化记忆系统，能从连续数据流中学习。该系统通过经验库和元指南库解耦“发生之事”与“用法”，并依据反馈动态调整经验权重：强化有益经验，弱化误导或过时信息，模拟人类记忆的强化与衰退机制。在为期 10 周的实时基准测试中，Live-Evo 显著提升了预测精度与市场回报，并在深度研究基准上表现出优越的迁移能力。
AI 推荐理由
论文核心提出在线自我进化记忆系统，通过反馈动态更新记忆权重，属于典型的自我进化研究。
研究机构
俄勒冈州立大学
AG2 AI
宾夕法尼亚州立大学
论文信息