摘要
针对现有推理时扩展方法在 Agent 应用中存在的无状态及冗余搜索低效问题,本文提出 GAMER 框架。该框架将历史推理建模为动态的“以动作为中心的图”,实现了推理扩展与情景记忆的融合。通过解耦记忆机制与大语言模型,显著降低了计算成本。此外,利用双流时序差分学习机制评估动作节点的正负价值,在推理阶段双向优化决策:正向价值提供建议,负向价值警示高风险动作。实验表明,该方法在成功率和进度率上均显著优于基准模型。
AI 推荐理由
论文提出基于动作中心的图记忆架构,核心解决 Agent 无状态及记忆效率问题。
研究机构
Florida International University, Miami, FL, USA
Stanford University, Stanford, CA, USA
NEC Laboratories America, Princeton, NJ, USA
Singapore Management University, Singapore
论文信息