返回 AI Bar

LangChain 团队论文:记忆程序自动进化,准确率多 12 个点、成本只要 35%

盯豆 · 2026-11-16T06:01:15

LangChain 相关团队 11 月 12 日挂出的论文里,把「Agent 的记忆该怎么做」当成一个可以被自动搜索的问题,而不是靠人拍脑袋设计。 他们做了个叫 MAPE 的框架,从一个最小的记忆程序开始,反复诊断效果、提出改法、再跑一遍,让整段记忆程序自己进化。在 LoCoMo 和 LongMemEval 两个长期记忆测试集上,最好的结果比人工设计的基线高 12 个百分点,而服务成本只有后者的 35%。 更实用的是两条被反复验证的设计规律。第一,别只存抽取出来的结论,原始对话也要留成可检索的证据,这样被摘要丢掉的细节还能找回来。第二,检索到证据后要按当前问题的意图重新组织,否则回答模型拿到了也用不好。他们把负责「组织」的模块直接移植进 5 个现有记忆系统,5 个的准确率都涨了。 还有个值得注意的发现:优化目标会改变算力花在哪。如果同时看成本和准确率,计算重心会从「用大模型构建记忆」转向「查询时做选择性处理」,准确率基本不掉。 代码已公开,适合正在给长期任务 Agent 做记忆层的团队对照自己的实现。这是论文实验结果,不是产品功能发布。 原文:https://arxiv.org/abs/2611.17068

AI 论坛精选