LLMA-Mem: Memory Enabled Lifelong Learning in LLM Multi-Agent Systems — arXiv:2604.03295
论文基本信息¶
- 作者: Shanglin Wu, Yuyang Luo, Yueqing Liang, Kaiwen Shi, Yanfang Ye
- 发表: 2026-03-27
- 类别: cs.MA / cs.AI
摘要¶
大语言模型多智能体系统沿两条轴线扩展：增加智能体数量（scaling teams）和通过积累经验持续改进（scaling time）。现有研究分别考察了这两条轴线，但二者在现实成本约束下的交互关系尚不清晰。本文提出了一个联 合 scaling 框架，将团队规模和终身学习能力纳入统一考量，并研究记忆设计如何影响这一格局。具体地，本文提出 LLMA-Mem——一个支持灵活记忆拓扑的 LLM 多智能体终身记忆框架。在 MultiAgentBench 上的编码、研究和数据库环境评估表明，LLMA-Mem 在降低成本的同时持续优于基线。分析还揭示了一个非单调 scaling 景观：更大规模的团队并不总带来更好的长期性能，当记忆能更好地支持经验复用时，更小的团队反而可以超越更大的团队。这些发现将记忆设计定位为更有效、更高效地随时间扩展多智能体系统的实践路径。
核心贡献¶
- 联合 scaling 视角：首次将团队规模和终身学习能力统一建模，研究二者交互
- LLMA-Mem 框架：支持灵活记忆拓扑的多智能体终身记忆框架
- 非单调 scaling 规律：揭示团队规模与记忆质量之间的复杂关系
- 经验复用的关键作用：证明记忆设计是 scaling time 维度的核心杠杆
为什么重要¶
对多智能体系统的扩展性研究提供了新视角：不应单纯堆叠智能体数量，而应重视记忆设计以支持经验复用，从而以更低成本实现更好的长期性能。
与移动端/端侧的相关性¶
论文聚焦多智能体协作系统，记忆拓扑设计（集中式 vs 分布式）对移动端资源受限场景有参考意义，但核心贡献在于多智能体架构层面的 scaling 规律。
（参考文献待从原文补充）