Long-term Memory Retrieval-Augmented Generation Agent Architecture Reinforcement Learning
摘要

随着任务与会话中记忆的积累,长期LLM Agent的性能取决于特定查询的检索和持续的记忆优化。现有方法通常单独优化记忆访问或记忆演化,忽略了二者间的反馈回路。本文提出CoEvo-Mem,一个使检索策略与记忆库协同进化的闭环框架。通过冻结LLM生成路由先验,轻量级路由器在线校正,利用检索上下文作为耦合接口。任务结果评估路由决策,轨迹反馈更新记忆值与图关系,从而形成闭环。实验表明该方法在多个基准上达到SOTA。

AI 推荐理由

论文核心聚焦于LLM Agent的长期记忆机制,提出检索策略与记忆库协同进化的闭环框架,直接解决记忆更新与访问问题。

研究机构
阿里巴巴集团,中国杭州 上海交通大学自动化与智能感知学院,中国上海 中国科学技术大学,中国合肥
论文信息
作者 Bowen Ye, Yongchao Xu, Zhijian Li, Xiang Yin, Junkai Ma et al.
发布日期 2026-08-03
arXiv ID 2608.01739
相关性评分 9/10 (高度相关)