双聚类记忆智能体：解决优化问题求解中的多范式歧义

大型语言模型在处理存在多种冲突建模范式的优化问题时，常因结构歧义而难以生成有效解。为此，本文提出双聚类记忆智能体（DCM-Agent），以无训练方式利用历史解决方案提升性能。其核心是双聚类记忆构建机制，将历史解分配至建模与编码簇，并提炼为方法、检查清单及陷阱三类结构化知识。此外，引入记忆增强推理机制，动态导航求解路径、检测修复错误并自适应切换推理策略。实验表明该框架显著提升了七个基准测试的性能，并揭示了大模型记忆可引导小模型的知识继承现象。