UMEM：面向通用记忆的统一记忆提取与管理框架

自演进记忆作为基于大语言模型（LLMs）的智能体的可训练参数，其提取（从经验中提炼见解）和管理（更新记忆库）必须紧密协调。现有方法主要优化记忆管理，而将记忆提取视为静态过程，导致泛化能力差，智能体积累的是实例特定的噪声而非鲁棒记忆。为解决此问题，本文提出统一记忆提取与管理（UMEM）框架，联合优化大语言模型以同时进行记忆提取与管理。为缓解对具体实例的过拟合，引入语义邻域建模，并通过GRPO优化模型，以邻域级别的边际效用奖励确保记忆的泛化性。在五个基准上的广泛实验表明，UMEM显著优于高度竞争的基线方法，在多轮交互任务中最高提升达10.67%。此外，UMEM在持续演化过程中保持单调增长曲线。代码和模型将公开发布。