MAPLE：面向代理式 AI 系统中记忆、学习与个性化的子代理架构

大型语言模型代理在处理复杂任务时表现强大，但其适应个体用户的能力仍受局限。本文指出该局限源于架构上的混淆：现有系统将记忆、学习和个性化视为统一能力，而非三种需不同基础设施、运行于不同时间尺度且可独立优化的机制。我们提出 MAPLE 架构， principled 地分解为：记忆负责存储与检索；学习异步地从交互中提取智能；个性化则在有限上下文预算内实时应用所学知识。各组件作为专用子代理运行。实验表明，该分解使个性化得分提升 14.6%，特质融入率从 45% 增至 75%。