Auto-Dreamer: Offline Memory Consolidation for Language Agents — arXiv:2605.20616
论文基本信息¶
- 标题: Auto-Dreamer: Learning Offline Memory Consolidation for Language Agents
- arXiv ID: 2605.20616
- 作者: Chongrui Ye, Yuxiang Liu, Yu Wang, Haofei Yu, Yining Zhao, Ge Liu, Julian McAuley, Jiaxuan You
- 发表日期: 2026-05-20
- 方向: Agent Memory / Memory Consolidation
核心贡献¶
- 离线记忆整合框架: 提出 Auto-Dreamer，一种将积累的经验转化为可复用知识的离线记忆整合方法，将记忆获取与整合解耦。
- 全局视图发现: 允许 Agent 跨会话发现重复模式、抽象共享过程、剪枝冗余条目，获得单一在线过程无法提供的全局视角。
- 互补学习启发的整合: 借鉴互补学习系统（Complementary Learning Systems）理论，在离线阶段进行记忆整合，避免在线学习的计算开销。
摘要¶
Language agents increasingly operate over streams of related tasks, yet existing memory systems struggle to convert accumulated experience into reusable knowledge. Retrieval-augmented and structured memory methods record per-session observations effectively, but often couple acquisition and consolidation into a single online process, leaving the agent without a global view across sessions to discover recurring patterns, abstract shared procedures, or prune redundant entries. Inspired by complementary learning systems theory, we propose Auto-Dreamer, which decouples memory acquisition from consolidation and performs offline consolidation to transform accumulated experience into structured, reusable knowledge.
详细解读¶
研究背景¶
当前语言 Agent 的记忆系统面临一个根本性困境：获取（acquisition）和整合（consolidation）被耦合在同一个在线过程中。在线整合虽然实时，但 Agent 只能看到当前会话的局部信息，无法发现跨会话的重复模式或抽象出共享知识结构。
核心方法¶
Auto-Dreamer 的核心设计： - 离线整合: 在积累了一定经验后，Agent 进入离线阶段进行记忆整合 - 跨会话全局分析: 离线阶段可以访问所有历史会话，发现重复出现的模式和共享结构 - 知识抽象与剪枝: 从具体经验中抽象出高层次模式，同时剪枝冗余或过时的记忆条目 - 受互补学习系统启发: 借鉴神经科学中的记忆巩固理论，在离线期间进行记忆的结构化重组
与现有方法的区别¶
现有的 RAG 和结构化记忆方法在单会话层面记录观察很有效，但缺乏跨会话的全局优化能力。Auto-Dreamer 通过显式的离线整合阶段弥补了这一缺陷。
为什么重要¶
这篇工作揭示了记忆获取与整合解耦的重要性。在实际应用中，离线整合允许更充分的知识抽象，且不占用在线响应时间。对移动端 Agent 尤其有价值，因为离线整合可以在设备空闲时（如夜间充电时）进行，不影响用户体验。
与端侧/移动端的相关性¶
离线记忆整合对移动端 Agent 特别友好——可以在设备空闲时执行，不影响实时响应速度。同时，全局视图的知识抽象能显著压缩存储开销，对移动设备的有限存储空间尤为重要。
参考文献¶
（参考文献待从原文补充）