Mem²Evolve: Towards Self-Evolving Agents via Co-Evolutionary Capability Expansion and Experience Distillation¶
论文信息¶
- arXiv ID: 2604.10923
- 作者: Zihao Cheng, Zeming Liu, Yingyu Shan, Xinyi Wang, Xiangrong Zhu
- 发表日期: 2026-04-13
- 方向: 记忆与智能体自主演进、经验记忆
- 代码: https://buaa-irip-llm.github.io/Mem2Evolve
摘要（翻译）¶
大型语言模型驱动的智能体可以通过积累经验或动态创建新资产（工具或专家智能体）进行自我演进。但现有框架将这两种演化过程孤立处理。这种分离忽视了其内在相互依存关系：前者受限于手动预定义的静态工具集，后者从零生成资产缺乏经验指导，导致能力增长有限和演化不稳定。
本文引入协同演化能力扩展与经验蒸馏新范式。提出 Mem²Evolve，整合两个核心组件：Experience Memory（经验记忆）和 Asset Memory（资产记忆）。Mem²Evolve 利用积累的经验指导资产的动态创建，从而扩展智能体的能力空间，同时同时获取新经验以实现协同演化。
在 6 个任务类别和 8 个基准上的广泛实验证明：Mem²Evolve 比标准 LLM 提升 18.53%，比仅通过经验演化的智能体提升 11.80%，比仅通过资产创建的智能体提升 6.46%，确立了更有效和更稳定的自我演化智能体框架。
核心贡献¶
1. 协同演化新范式¶
传统方法的分离导致的问题：
| 演化方式 | 问题 |
|---|---|
| 仅经验积累 | 受限于预定义工具集，无法创造新能力 |
| 仅资产创建 | 从零生成，缺乏经验指导，演化不稳定 |
协同演化通过两条记忆的相互增强解决这一困境。
2. Experience Memory（经验记忆）¶
- 积累：从历史交互中提取经验模式
- 结构化：组织为可推理的知识结构
- 指导：为新资产创建提供经验依据
经验记忆使资产创建不是从零开始，而是有经验基础。
3. Asset Memory（资产记忆）¶
- 资产类型：工具、专家智能体、工作流模板
- 进化：资产根据使用反馈持续优化
- 经验关联：每个资产关联其创建过程中依赖的经验
资产记忆使经验积累不是孤立沉淀，而是通过资产创造产生实际价值。
4. 协同机制¶
经验记忆 → 指导资产创建 → 新资产扩展能力空间 → 新经验获取 → 经验记忆更新
循环迭代实现持续协同演化。
实验结果¶
| 对比基准 | 相对提升 |
|---|---|
| vs 标准 LLM | +18.53% |
| vs 仅经验演化智能体 | +11.80% |
| vs 仅资产创建智能体 | +6.46% |
涵盖 6 个任务类别、8 个基准的广泛验证。
为什么重要¶
Mem²Evolve 的核心贡献是揭示经验与资产的协同演化机制：
- 打破孤立：首次系统研究经验积累和资产创建的相互依存关系
- 实用价值：18.53% 的提升说明协同演化比任何单一策略都更有效
- 框架贡献：为自我演化智能体提供了可扩展的架构范式
与端侧/移动端相关性¶
- 经验本地化：移动端 Agent 的个性化经验可以本地积累
- 资产按需创建：移动端可以根据当前任务动态创建辅助工具
- 持续演进能力：端侧 Agent 的长期价值来自于持续演进而非静态能力