Memory Architecture Personalization Agent Specialization Compilation
摘要

针对LLM Agent中普遍采用的基于文本、嵌入或规则的检索式记忆架构,本文指出其在个性化场景中并非最优默认方案。为此,我们提出“肌肉记忆”这一新型记忆范式,即将重复的用户意图编译为专用专家智能体,而非依赖推理时的检索与解释。该方法旨在解决用户需反复纠正格式、深度和范围以获取领域适配答案的多轮交互成本问题。通过四阶段流水线(采集、分析、增强、评估),系统从对话历史中提取行为模式并生成可执行专家模块。实验表明,在90个保留场景中,启用专家模块后助手胜率高达88.9%,显著提升了个性化体验。

AI 推荐理由

论文核心探讨Agent记忆机制,提出“肌肉记忆”编译范式以替代传统检索,属于记忆架构创新。

研究机构
Google Cloud FDE
论文信息
作者 Pouya Ghiasnezhad Omran, Soujanya Lanka, Qin Zhang, Tanya Dixit
发布日期 2026-08-10
arXiv ID 2608.08995
相关性评分 9/10 (高度相关)